UNIVERSIDAD COMPLUTENSE DE MADRID 

FACULTAD DE INFORMÁTICA 

 

MÁSTER EN INTERNET DE LAS COSAS 

 

TRABAJO FIN DE MÁSTER 
CURSO 2017-2018 

 

VISUALIZACIÓN DE DATOS Y PERSONALIZACIÓN 
INTELIGENTE DE EXPLICACIONES PARA SU 

UTILIZACIÓN EN LA MEDICINA DEL DEPORTE 

Autor: 

Jaime Nicolás García Giménez 

 

Directores: 

 María Belén Díaz Agudo 

Juan Antonio Recio García 

 

Convocatoria: Septiembre 2018 

Calificación: Notable 8 



 
 

  



 
 

  
 

 

D.ª MARÍA BELÉN DÍAZ AGUDO Y D. JUAN ANTONIO RECIO GARCÍA, 
DOCTORES DEL GRUPO DE APLICACIONES DE INTELIGENCIA 
ARTIFICIAL DE LA FACULTAD DE INFORMÁTICA DE LA 
UNIVERSIDAD COMPLUTENSE DE MADRID. 

 
CERTIFICAN: Que la presente memoria titulada “VISUALIZACIÓN Y 

PERSONALIZACIÓN DE SISTEMAS INTELIGENTES DE 
ELECTROMIOGRAFÍA PARA SU UTILIZACIÓN EN LA 
MEDICINA DEL DEPORTE” constituye la Memoria de Trabajo 
Fin de Máster presentada como requisito para optar al título de 
Máster en Internet de las Cosas por la Universidad Complutense 
de Madrid, y ha sido realizada bajo nuestra tutela. 

Y para que así conste, firman el presente certificado en Madrid a 20 de septiembre 
de 2018. 

 
 

 
 

 
Fdo.: María Belén Díaz Agudo  Fdo.: Juan Antonio Recio García 



 
 

  



 
 

Autorización de difusión y utilización 

El autor del presente Trabajo Final de Máster firma la autorización de difusión y 
utilización del material académico que en este mismo se incluye, cuyo desarrollo se 
encuentra dentro del marco de los proyectos TIN2014-55006-R y TIN2017-87330-R. 
 

En Madrid a 20 de septiembre de 2018. 
 

 

 

 

Fdo.: Jaime Nicolás García Giménez  



 
 

  



 
 

Resumen  

El presente documento refleja el Trabajo Final correspondiente al Máster Universitario 
en Internet de las Cosas, y se ubica en el área de aplicación de sistemas inteligentes. En 
el desarrollo del proyecto se tratan generalmente los principios de visualización 
aplicables en cualquier entorno del Internet de las Cosas y que pueden estar dirigidos a 
equipos y usuarios de todo tipo. 
Hoy en día se tratan métodos de recogida y procesamiento de datos altamente 
heterogéneos, orientando la capacidad de conocimiento de esos datos a una cantidad de 
usuarios también muy heterogénea. De este modo, la generación de explicaciones 
visuales e interactivas dentro de plantillas de informes se puede optimizar mediante el 
uso de técnicas de Inteligencia Artificial (IA) como el Case-Based Reasoning (CBR), 
capaz de abordarse junto al diseño e implementación de herramientas de visualización 
avanzada. 

Este conjunto de aportaciones inteligentes se traduce en una personalización total de los 
informes, y posee la finalidad última de facilitar la cognición y detección de relaciones 
entre patrones dentro de los casos tratados mediante técnicas avanzadas de visualización 
de datos, además de capacitar la automatización de decisiones a partir de la observación 
y evaluación de los datos asociados a dichos casos. Así pues, resulta de especial interés 
el hecho de trasladar este objetivo a la Medicina y aplicar técnicas de IA como el CBR 
en sistemas compuestos por sensores de electromiografía (EMG), con tal de explicar a 
los expertos las características de los datos de pacientes y así poder facilitar a la toma de 
decisiones en el día a día. 
Este Trabajo Final de Máster conforma una división importante dentro de un ambicioso 
proyecto de investigación, y el objetivo primordial definido para su ejecución se basa en 
el desarrollo de un prototipo de mecanismo inteligente de generación de explicaciones 
visuales personalizables e interactivas con capacidad de aprendizaje a partir de la 
interacción. Aunque el mecanismo y la metodología se establecen de forma genérica, la 
prueba de concepto se realiza con datos correspondientes al dominio de la Medicina del 
Deporte, concretamente proporcionando soporte al profesional médico en el proceso de 
interpretación de características de datos asociados a pacientes que se corresponden con 
análisis de electromiografía. 

Para ello, en primer lugar, se describen los procesos y jerarquías CBR en la reutilización 
de elementos visuales en informes. Seguidamente, se analiza la naturaleza de las 
técnicas de visualización de datos de una forma genérica, con tal de a posteriori 
focalizar en un perfil de entidad concreto dentro del campo que ocupa la Medicina del 
Deporte. Este enfoque se aborda a lo largo del proyecto a modo de estudio práctico, y en 
todo momento se persigue explotar la funcionalidad de la herramienta perteneciente a 
dicha entidad para seguidamente potenciar su evolución tanto desde la perspectiva 
descriptiva como predictiva. Este análisis de datos médicos es causante de que, en 
última instancia, se estudien los procedimientos legislativos para el tratamiento de los 
propios datos dentro del ámbito sanitario.  

 
Palabras clave: Visualización, CBR, IA, Big Data, Medicina del Deporte, EMG, 
storytelling, interacción, explicaciones, análisis, conocimiento, reutilización, 
adaptación, gráficos, automatización, legalidad. 
  



 
 

Abstract 

This document reflects the Final Master Project corresponding to the Master's Degree in 
Internet of Things, developed within the area of intelligent systems’ application. During 
the progress of the project, the visualization principles applicable in any environment of 
the Internet of Things are explained generally and aimed to any kind of equipment and 
final user. 
Nowadays, highly heterogeneous data collection and processing methods are used, 
orienting the knowledge capacity of these data to a very heterogeneous number of users. 
In this way, the generation of visual and interactive explanations within report templates 
can be optimized through the use of Artificial Intelligence (AI) techniques such as Case-
Based Reasoning (CBR), capable of being addressed alongside the design and 
implementation of advanced visualization tools. 
This set of intelligent contributions translates into a total personalization of the reports, 
and has the ultimate purpose of facilitating the cognition and detection of relationships 
between patterns within the cases treated by advanced data visualization techniques, in 
addition to enabling the automation of decisions based on the observation and 
evaluation of the data associated with these cases. Therefore, it is of special interest to 
transfer this objective to Medicine and apply AI techniques such as CBR in systems 
composed of electromyography (EMG) sensors, in order to explain to the experts the 
characteristics of patient data and thus facilitate day-to-day decision making. 
This Master's Final Project forms an important division within an ambitious research 
project, and the main objective defined for its implementation is based on the 
development of a prototype of an intelligent mechanism for generating customizable 
and interactive visual explanations with the ability to learn from interaction. Although 
the mechanism and methodology are established in a generic way, the proof of concept 
is made with data corresponding to the domain of Sports Medicine, specifically 
providing support to the medical professional in the process of interpreting 
characteristics of data associated with patients that correspond to electromyography 
analysis. 

To do this, first of all, the CBR processes and hierarchies in the reuse of visual elements 
in reports are described. Next, the nature of the data visualization techniques is analysed 
in a generic way, in order to subsequently focus on a specific entity profile within the 
field of Sports Medicine. This approach is approached throughout the project as a 
practical study, and at all times the aim is to exploit the functionality of the tool 
belonging to this entity in order to then enhance its evolution from both a descriptive 
and predictive perspective. This analysis of medical data ultimately leads to a review of 
the legislative procedures for the processing of the data themselves in the health field.  

 
Keywords: Visualization, CBR, IA, Big Data, Sports Medicine, EMG, storytelling, 
interaction, explanations, analysis, knowledge, reuse, adaptation, learning, graphics, 
automation, legality. 
  



 
 

Agradecimientos  

Quisiera expresar mi más profundo reconocimiento y agradecimiento a todas aquellas 
personas que, gracias a su colaboración, han contribuido a la realización de este Trabajo 
Final de Máster. 
En primer lugar, quisiera agradecer a Belén Díaz Agudo y Juan Antonio Recio García, 
los directores, la oportunidad que me han brindado de llevar a cabo este ambicioso 
proyecto, desarrollado dentro del grupo de investigación GAIA de la UCM (Group 
921330) y del marco del proyecto TIN2017-87330-R, RAZONAMIENTO BASADO 
EN CASOS PARA LA EXPLICACION DE SISTEMAS INTELIGENTES, del 
MINISTERIO DE ECONOMÍA, INDUSTRIA Y COMPETITIVIDAD. 
Gracias a Ignacio y todo el equipo de mDurance, por ser una fuente proactiva de 
colaboración en este proyecto y sobre todo por tener una propuesta de valor para el bien 
de la sociedad. 

En general, gracias a todos los profesores de los cuales he tenido el honor de aprender 
en el último año, bien sea desde el punto de vista académico o bien como referentes 
profesionales. Es un privilegio pertenecer a la primera promoción del Máster 
Universitario de Internet de las Cosas, y personalmente considero casi un deber 
agradecer a quién ha puesto todo su empeño y esfuerzo en promover el aprendizaje en 
un área con semejante potencial. 

Por último y muy especialmente, gracias a mi familia y a Beatriz, por comprender y 
animarme como nadie en esta breve pero intensa etapa que me ha hecho crecer como 
profesional y, con todo su apoyo, también como persona. 
 

A todos, MUCHAS GRACIAS.  



 
 



 
 

Índice 
	
Capítulo 1.	 Introducción ................................................................................................ 1	

1.1	 Objetivos del Trabajo Final de Máster ............................................................... 3	
1.2	 Estructura del Trabajo Final de Máster .............................................................. 3	

Introduction ..................................................................................................................... 4	
Objectives of the Final Master’s Project ....................................................................... 6	

Structure of the Final Master’s Project ......................................................................... 6 
 

 
Capítulo 2.	 Estado del arte ............................................................................................. 7	

2.1	 Tratamiento masivo de datos .............................................................................. 7	
2.1.1	 Concepto de Big Data ................................................................................. 7	

2.1.2	 ¿Quién hace uso de Big Data y quién no? .................................................. 8	
2.2	 Sistemas Basados en Conocimiento ................................................................... 8	

2.2.1	 Fundamento del CBR .................................................................................. 9	
2.2.2	 CBR como proceso y jerarquía ................................................................. 10	

2.3	 La visualización de datos como inteligencia .................................................... 11	
2.3.1	 Percepción humana en DataViz ................................................................ 11	

2.3.2	 Principios de diseño visual ........................................................................ 12	
2.3.3	 La teoría del color ..................................................................................... 14	

2.3.4	 Elementos gráficos en DataViz ................................................................. 18	
2.3.5	 Storytelling: la importancia del contexto .................................................. 21	

2.4	 Ámbito de aplicación ....................................................................................... 22	
2.4.1	 Análisis y representación de datos en el ámbito sanitario ........................ 22	

2.4.2	 La electromiografía como ciencia ............................................................. 23	
2.4.3	 A quién se dirige ....................................................................................... 23	

2.4.4	 Responsables del análisis médico ............................................................. 24	
2.4.5	 Alcance tecnológico del análisis ............................................................... 24	

2.5	 Recapitulación del estado de la materia ........................................................... 25 
 

 
Capítulo 3.	 Metodología .............................................................................................. 26	

3.1	 Alcance del desarrollo ...................................................................................... 26	
3.2	 Generación de plantillas de informes ............................................................... 26	



 
 

3.3	 Sistemas de automatización de datos ............................................................... 28	

3.3.1	 Ciclo CBR para la finalización de informes ............................................. 28	
3.3.2	 Jerarquía CBR para la finalización de informes ....................................... 29	

3.3.2.1	 Tarea de recuperación ........................................................................ 30	
3.3.2.2	 Tarea de reutilización ........................................................................ 31	

3.3.2.3	 Tarea de revisión ............................................................................... 32	
3.3.2.4	 Tarea de retención ............................................................................. 33	

3.4	 Caracterización de datos ................................................................................... 35	
3.4.1	 Etiquetas sintácticas .................................................................................. 36	

3.4.1.1	 Etiquetas estadísticas ......................................................................... 36	

3.4.1.2	 Etiquetas probabilísticas .................................................................... 37	

3.4.2	 Etiquetas semánticas ................................................................................. 39	
3.5	 Caracterización de gráficos .............................................................................. 39	

3.5.1	 Gráficos de barras ..................................................................................... 41	

3.5.2	 Gráficos de líneas ...................................................................................... 42	
3.5.3	 Gráficos de caja ......................................................................................... 43	

3.5.4	 Gráficos de dispersión ............................................................................... 44	
3.5.5	 Gráficos de burbujas ................................................................................. 45	

3.5.6	 Gráficos de pastel ...................................................................................... 46	
3.5.7	 Diagrama de Venn .................................................................................... 47	

3.5.8	 Mapa de árbol ........................................................................................... 48	
3.5.9	 Mapa geográfico ....................................................................................... 50	

3.6	 Recapitulación de la metodología genérica propuesta ..................................... 51 
 

 

Capítulo 4.	 Caso práctico de estudio y aplicación ....................................................... 52	
4.1	 mDurance ......................................................................................................... 52	
4.2	 Exploración del contenido de la plataforma as-is ............................................ 53	

4.2.1	 Exploración de los modelos de informes iniciales .................................... 53	
4.2.2	 Exploración de contenido de datos ........................................................... 54	

4.2.3	 Exploración de elementos visuales ........................................................... 55	
4.3	 Experimentación ............................................................................................... 58	

4.3.1	 Características del estudio ......................................................................... 58	
4.3.2	 Características de la población .................................................................. 58	

4.3.3	 Instrumentación y tecnologías .................................................................. 59	



 
 

4.3.3.1	 Dispositivo IoT utilizado ................................................................... 59	

4.3.3.2	 Tecnologías empleadas ...................................................................... 60	
4.3.4	 Movimientos ............................................................................................. 62	

4.3.4.1	 Pruebas de movimientos isotónicos ................................................... 63	
4.3.4.2	 Pruebas de movimientos isométricos ................................................ 64	

4.4	 Procesamiento de datos .................................................................................... 65	
4.4.1	 Filtrado ...................................................................................................... 67	

4.4.2	 Eliminación de ruido ................................................................................. 68	
4.5	 Análisis de datos ............................................................................................... 68	
4.6	 Etiquetado de datos .......................................................................................... 71	

4.6.1	 Etiquetas sintácticas .................................................................................. 72	
4.6.2	 Etiquetas semánticas ................................................................................. 74	

4.7	 Optimización de la plataforma, estado to-be .................................................... 76	
4.7.1	 Modelos de informes propuestos .............................................................. 77	

4.7.2	 Ejemplo general de utilización de los informes ........................................ 77	
4.8	 Diseño de elementos visuales objeto de reutilización y adaptación ................. 79	

4.8.1	 Estudio de la población de pacientes ........................................................ 80	
4.8.2	 Estudio del estado físico de un paciente ................................................... 87	

4.8.3	 Comparación entre dos pacientes .............................................................. 93	
4.8.4	 Comparación entre un paciente y el resto de población ........................... 96	

4.8.5	 Ejemplo pormenorizado de utilización de los informes ......................... 100 
 

 

Capítulo 5.	 Legalidad en el contexto ......................................................................... 105	
5.1	 Anonimización de los datos ........................................................................... 105	
5.2	 Punto de partida .............................................................................................. 105	

5.3	 Antecedentes reguladores: LOPD .................................................................. 106	
5.4	 Nueva regulación en vigor: GDPR ................................................................. 107	

5.4.1	 Consentimiento explícito ........................................................................ 107	
5.4.2	 DPO ........................................................................................................ 107	

5.4.3	 Aumento del nivel de información ......................................................... 108	
5.4.4	 Medidas organizativas y de seguridad .................................................... 108	

5.4.5	 Evaluación del impacto ........................................................................... 110	
5.4.6	 Comunicación de los datos personales ................................................... 110 

 



 
 

 

Capítulo 6.	 Conclusiones ........................................................................................... 111	
6.1	 Limitaciones ................................................................................................... 113	

6.2	 Próximos pasos ............................................................................................... 113	
Conclusions ................................................................................................................. 115	

Limitations ................................................................................................................ 117	
Next steps .................................................................................................................. 117 

 
 

Bibliografía ................................................................................................................. 118	
Anexos ................................................................................................................. 123	

Anexo 1: Especificaciones del wearable Shimmer 3 EMG [71] ............................... 123	

Anexo 2: Paletas de color utilizadas ......................................................................... 126	

	

 



1 
  

Capítulo 1. Introducción 

En ningún momento histórico como en el que nos encontramos se ha podido contemplar 
un auge de tal magnitud en la capacidad inteligente generada por agentes no humanos. 
Desde que científicos y matemáticos comenzaron a recoger las primeras inspiraciones 
allá por la década de 1950 y de forma totalmente ininterrumpida hasta hoy día, los 
sistemas de Inteligencia Artificial (IA) han evolucionado a un ritmo que nos atrevemos 
a decir no tiene comparación con ningún otro fenómeno tecnológico.  
Ya durante los años 70 y 80 se hacían realidad múltiples desarrollos y simulaciones que 
abrían nuevas vías de investigación para estas técnicas, y fue algo antes de la entrada del 
nuevo milenio cuando las principales empresas se vieron metidas casi de forma 
inintencionada en una carrera tecnológica que avanzaba sin precedentes de cara a esta 
nueva industria. Ninguna compañía quería perder detalle en las ramas referentes a la 
teoría de la información, redes neuronales, computación, abstracción y creatividad [1]. 
No obstante, si bien es cierto que son muchos los paradigmas que se arrastran en esta 
ciencia a lo largo de estas tres últimas décadas, echando la vista unos pocos años atrás 
nos topamos con uno de los acontecimientos que ha resultado ser el detonante: el 
aumento masivo de las cantidades y variedades de los conjuntos de datos. 
Uno de los causantes clave en esta revolución de los datos [2] es la forma en la que se 
ha hecho efectiva la incorporación de los mismos en el mundo físico. Hasta hace 
relativamente poco acostumbrábamos a recoger conjuntos de datos únicamente desde el 
entorno web, donde las virtudes y complejidades de los procesos en cierto modo son 
conocidos. Actualmente, la procedencia de los datos deriva de flujos de todo tipo y 
destaca cada vez más la constante aportación del entorno Internet of Things (IoT) 
gracias a sensores y wearables que, utilizados en conjunto con otras plataformas Cloud, 
dejan atrás la utilización de mecanismos tradicionales para cualquiera de las fases de 
procesado, almacenamiento, análisis e interpretación.  

De forma inevitable, este conjunto de tecnologías lleva consigo la utilización de 
sistemas inteligentes capaces de aportar valor y veracidad a tal cantidad de datos 
mediante capacidades de percepción, razonamiento, decisión y actuación autónoma 
sobre dichos conjuntos de datos. Desafortunadamente, en todo sistema inteligente de 
estas características existe un hándicap que pone la confianza del usuario humano en 
contra del razonamiento artificial, y no es otra cosa que el comportamiento de los 
sistemas a modo de cajas negras [3], lo que se traduce en cierta incapacidad a la hora de 
explicar las acciones y decisiones tomadas por parte de estos sistemas, así como el 
hecho de poder justificar las recomendaciones y predicciones que autónomamente 
llevan a cabo. 

Pues bien, es debido a este conjunto de incapacidades por las que el usuario humano 
requiere de una necesidad adicional que le lleve a entender las razones mediante las 
cuales un sistema de IA llega a una conclusión sobre el contexto. Para tratar de 
solventar esto, en primer lugar, es imprescindible asegurar la calidad del dato [4] como 
pilar fundamental del procedimiento. De esta forma es posible hacer un uso eficiente del 
Razonamiento Basado en Casos (CBR) que permite incorporar explicaciones en última 
instancia sobre el contexto. 
Por tanto, gracias al paradigma CBR se puede dotar de sentido tanto la inmensidad de 
datos heterogéneos recogidos por sensores IoT como los generados en la aplicación de 



2 
  

técnicas de IA en distintos entornos. Así pues, una forma de optimizar el razonamiento 
en estas áreas – IoT e IA – está enfocada a la generación de informes que permitan 
explicar la inmensa cantidad de información generada según un contexto determinado y 
de la forma más visual posible hacia el usuario humano.  
Cabe decir que es precisamente en este punto donde el campo de Data Visualization 
(DataViz) juega un papel crucial, al estar dedicado a la investigación de 
representaciones gráficas encargadas de facilitar al usuario humano el reconocimiento y 
detección de relaciones entre patrones entre conjuntos de datos. Además, esta área 
tiende a ir más allá pues se caracteriza por su habilidad para revelar y contar historias 
con los datos. El llamado storytelling [5] es un medio de comunicación cada vez más 
utilizado para la obtención de ideas sobre conjuntos formados por tres componentes: 
datos, elementos visuales y parte narrativa. Muy adecuado, por tanto, para la generación 
de informes. 

Con todo lo anterior, se puede afirmar que el conjunto de sistemas IoT e IA 
complementados con las técnicas CBR y DataViz permiten obtener conocimiento en un 
contexto y hacer predicciones sobre ocurrencias futuras. Esto hace que este conjunto se 
convierta casi de forma automática en un caso de éxito independientemente del campo 
de aplicación en el que se ubique, pudiéndose trasladar a cualquier mercado [6] donde 
los beneficios se traducen en incrementos de productividad multiplataforma y 
multicanal gracias, por un lado, a la automatización de procesos y el ahorro en 
consumos; y por otro, al incremento del grado de personalización de servicios, que 
aumenta proporcionalmente al número de interacciones del usuario con el sistema. 
No obstante, es muy importante contemplar esta ciencia más allá del punto de vista del 
área de negocios, pues a nivel de aplicación puede trabajar transversalmente con otras 
ramas de la ciencia y ser determinante en necesidades sociales de primer nivel como 
bien es el ámbito sanitario [7]. Aquí, los profesionales y responsables encargados de la 
prevención de riesgos médicos pueden beneficiarse de la alta eficiencia en la recogida 
de datos mediante sistemas IoT así como de la aplicación de técnicas inteligentes para 
proporcionar, entre otros, informes visuales que ayuden a crear un mayor nivel de 
transparencia acorde a los principios éticos en la toma de decisiones en el campo de la 
Medicina. 

A esto se le ha de sumar la amplia cantidad de dominios donde el uso de CBR ha 
supuesto una tremenda capacidad de resolver problemas complejos recordando 
experiencias previas, llegando a abordar múltiples sistemas de reconocimiento de 
patrones y de soporte en la toma de decisiones. 

De este modo, desde el punto de vista del experto Médico, el conjunto de sistemas 
inteligentes con CBR y herramientas avanzadas de visualización no solamente crea 
fiabilidad en la obtención del conocimiento sobre estos datos, sino que también sirve de 
precedente para aplicar unos algoritmos de análisis u otros y de forma simultánea 
aprovechar la interacción del profesional para dar retroalimentación al sistema y así 
crear predicciones sobre lo que podrá ocurrir o no en el futuro. Este caso es 
particularmente útil en el dominio de aplicación de la electromiografía, donde los datos 
recogidos de múltiples sensores a priori carecen de sentido y suponen en la mayoría de 
ocasiones una fuente de preocupación entre los expertos en la materia. 

Claramente estamos ante un área con un potencial tremendo y que la sociedad en 
general es capaz de aprovechar muy positivamente. La explicación de datos mediante 
informes visuales y textuales en el campo de la Medicina ayuda tanto al experto como al 
usuario a comprender los detalles de los patrones establecidos en pruebas a distintos 



3 
  

niveles, así como a interpretar de manera automática, fiable y precisa los enormes 
conjuntos de datos en base a un contexto. 
 

1.1 Objetivos del Trabajo Final de Máster 
El objetivo de este Trabajo Final de Máster se basa en la prueba de concepto de un 
prototipo de herramienta inteligente capaz de generar explicaciones visuales e 
interactivas dentro de informes, particularizando a posteriori en la interpretación por 
parte de los profesionales médicos sobre las características de los datos asociados a 
pacientes. Además, también se persigue dotar de capacidad de aprendizaje a dicha 
herramienta mediante la interacción del propio experto de modo que el sistema sea 
capaz de aumentar su grado de personalización. 
Se propone desarrollar un prototipo de herramienta inteligente de generación de 
explicaciones visuales personalizables e interactivas con capacidad de aprendizaje a 
partir de la interacción. Aunque la herramienta y la metodología se establecen de forma 
genérica, la prueba de concepto se realiza con datos correspondientes al dominio de la 
Medicina del Deporte. 

Para ello, el Trabajo Final de Máster se puede desglosar en una serie de objetivos 
específicos, que se pueden resumir en: 

• Presentación de los fundamentos que conforman el estado del arte de la materia 
a tratar en el transcurso de todo el proyecto. 

• Análisis del marco teórico que sigue la metodología CBR en la generación de 
explicaciones interactivas dentro de informes dependiendo de las características 
genéricas de los modelos de datos. 

• Estudio del alcance del proyecto y metodología seguida en la recomendación 
automática de elementos de visualización sobre una plantilla de informes y un 
modelo de datos caracterizado en cualquier ámbito de aplicación. 

• Diseño de técnicas inteligentes para la personalización de informes dentro del 
campo de la Medicina del Deporte, capacitando el aprendizaje a partir de la 
observación y evaluación de datos asociados a pacientes. 

• Descripción de los procedimientos legales tenidos en cuenta a la hora de tratar y 
representar datos de carácter personal y especialmente protegidos. 

 

1.2 Estructura del Trabajo Final de Máster 
Este documento se estructura en un total de 6 capítulos. El primero de ellos consiste en 
el presente capítulo introductorio del Trabajo Final de Máster, y el segundo abarca la 
situación de la materia a tratar, en líneas generales. Seguidamente, mediante el tercer 
capítulo se tratan los conceptos a considerar tanto en la metodología CBR del proyecto 
global como la parte concerniente y aplicable en este Trabajo Final de Máster. 
Así pues, el cuarto capítulo entra en materia práctica mediante el desarrollo de técnicas 
para la generación de explicaciones visuales particularizadas en el dominio de la 
Medicina del Deporte, concretamente con datos procedentes de análisis EMG, con tal de 
conseguir un alto nivel de personalización en plantillas de informes enfocados a casos 
de pacientes. 

Para finalizar, se da paso al estado legislativo que respecta la utilización y el tratamiento 
de datos dentro de este campo de la Medicina del Deporte; y por último, en el sexto 
capítulo se exponen las conclusiones obtenidas a raíz de este proyecto. 



4 
  

Introduction 

At no time in history has it been possible to contemplate a boom of such magnitude in 
the intelligent capacity generated by non-human agents. Since scientists and 
mathematicians began to collect the first inspirations back in the 1950s and completely 
uninterruptedly until today, Artificial Intelligence (AI) systems have evolved at a pace 
that we dare to say has no comparison with any other technological phenomenon.  
Already during the 70's and 80's, multiple developments and simulations became reality 
that opened new ways of researching for these techniques, and it was some time before 
the entry of the new millennium when the main companies were almost unintentionally 
involved in a technological race that was advancing without precedent in the face of this 
new industry. No company wanted to lose any single detail in the branches of 
information theory, neural networks, computing, abstraction and creativity [1]. 
However, while it is true that there are many paradigms that drag this science through 
these last three decades, looking back a few years we came across one of the events that 
has turned out to be the trigger: the massive increase in the quantities and varieties of 
data sets. 
One of the key causes of this data revolution [2] is the way in which the incorporation 
of data into the physical world has become effective. Until relatively recently we used 
to collect data sets only from the web environment, where the virtues and complexities 
of the processes are somehow known. On the other hand, currently, the origin of the 
data derives from all kinds of flows and the constant contribution of the Internet of 
Things (IoT) environment is increasingly highlighted thanks to sensors and wearables 
that, used in conjunction with other Cloud platforms, leave behind the use of traditional 
mechanisms for any of the processing, storage, analysis and interpretation phases.  
Unavoidably, this set of technologies entails the use of intelligent systems capable of 
adding value and truthfulness to such a quantity of data by means of capacities of 
perception, reasoning, decision and autonomous action on these sets of data. 
Unfortunately, in any intelligent system of these characteristics there is a handicap that 
turns the trust of the human user against artificial reasoning, and it is nothing other than 
the behavior of the systems in the form of black-boxes [3], which translates into a 
certain inability to explain the actions and decisions taken by these systems, as well as 
the fact of being able to justify the recommendations and predictions that they 
autonomously carry out. 

Well, it is because of this set of inabilities that the human user requires an additional 
need to understand the reasons by which an AI system reaches a conclusion about the 
context. In order to solve this, first of all, it is essential to ensure data quality [4] as a 
fundamental pillar of the procedure. In this way, it is possible to make efficient use of 
Case Based Reasoning (CBR), which allows the incorporation of explanations over the 
context. 

Therefore, thanks to the CBR paradigm, both the immensity of heterogeneous data 
collected by IoT sensors and those generated in the application of AI techniques in 
different environments can be given meaning. Thus, one way to optimize reasoning in 
these areas - IoT and AI - is focused on the generation of reports that can explain the 
immense amount of information generated according to a given context and in the most 
visual way possible to the final human user.  



5 
  

It is precisely at this point where the Data Visualization (DataViz) field plays a crucial 
role, as it is dedicated to the investigation of graphic representations in charge of 
facilitating the human user the recognition and detection of relationships between 
patterns between data sets. In addition, this area tends to go further as it is characterized 
by its ability to reveal and tell stories with the data. Storytelling [5] is a mean of 
communication increasingly used to obtain ideas about data sets composed by three 
components: data, visual elements and narrative part. Very suitable, therefore, for the 
generation of reports. 
With all the above, it is said that the conglomeration of IoT and AI systems 
complemented with CBR and DataViz techniques allow to obtain knowledge in a 
context and make predictions about future occurrences. This means that this kind of 
conglomeration becomes almost automatically a success case regardless of the field of 
application in which it is located, being able to be transferred to any market [6] where 
the benefits are translated into cross-platform and cross-channel productivity increases 
thanks, on the one hand, to the automation of processes and savings in consumption; 
and on the other hand, to the increase in the personalization services’ degree, which 
extends proportionally to the number of interactions between the user and the system. 

Nevertheless, it is very important to contemplate this science beyond the point of view 
of the business area, since at the application level it can work transversally with other 
branches of science and be a determining factor in some first-level social needs such as 
the health field [7]. Here, professionals and those responsible for the prevention of 
medical risks can benefit from the high efficiency in the collection of data through IoT 
systems as well as the application of intelligent techniques to provide, among others, 
visual reports that help to create a higher level of transparency in line with ethical 
principles in decision-making in the field of medicine. 

It also must be added the large number of application domains where the use of CBR 
has meant a tremendous ability to solve complex problems by remembering previous 
experiences, going so far as to deal with multiple systems of pattern recognition and 
support in decision making. 

Thus, from the point of view of the medical expert, the set of intelligent systems with 
CBR and advanced visualization tools not only creates reliability in obtaining 
knowledge about these data, but is also a good precedent to apply some analysis 
algorithms and simultaneously take advantage of the professionals’ interaction to give 
feedback to the system and thus create predictions about what may or may not happen 
in the future. This case is particularly useful in the field of application of 
electromyography, where all the collected data from multiple sensors a priori are 
meaningless and in most cases a source of concern among experts in the field. 

Clearly, we are dealing with an area with tremendous potential that society in general is 
capable of exploiting very positively. The explanation of data through visual and textual 
reports in the field of Medicine helps both the expert and the user to understand the 
details of the patterns established in tests at different levels, as well as to interpret 
automatically, reliably and accurately the huge data sets based on a context. 
 
 

 
 



6 
  

Objectives of the Final Master’s Project 
The objective of this Master's Final Project is based on the proof of concept of an 
intelligent tool prototype capable of generating visual and interactive explanations 
within reports, subsequently specializing in the interpretation by medical professionals 
of the characteristics of the data associated with patients. In addition, it also aims to 
provide learning capacity to this tool through the interaction of the expert himself so 
that the system is able to increase its degree of customization. 
It is proposed to develop a prototype of an intelligent tool for generating customizable 
and interactive visual explanations with the capacity to learn from interaction. Although 
both tool and its methodology are established in a generic way, the proof of concept is 
carried out with data corresponding to the domain of Sports Medicine. 
To this end, the Master's Final Project can be broken down into a series of specific 
objectives, which can be summarized as follows: 

• Presentation of the fundamentals that make up the matter of the subject to be 
dealt through the project. 

• Analysis of the theoretical framework that follows the CBR methodology in the 
generation of interactive explanations within reports depending on the generic 
characteristics of the data models. 

• Study of the scope of the project and methodology followed in the automatic 
recommendation of visualization elements on a report template and a data model 
characterized in any field of application. 

• Design of intelligent techniques for the personalization of reports within the 
field of Sports Medicine, enabling learning from the observation and evaluation 
of data associated with patients. 

• Description of the legal procedures taken into account when processing and 
representing personal and specially protected data. 

 

Structure of the Final Master’s Project 
This document is structured in a total of 6 chapters. The first of them consists of the 
present introductory chapter of the Final Master's Project, and the second covers the 
situation of the subject to be dealt with, in general terms. Next, the third chapter deals 
with the concepts to be considered both in the CBR methodology of the global project 
and the part concerning and applicable to this Final Master's Project. 

Thus, the fourth chapter enters into practical matter through the development of 
techniques for the generation of particularized visual explanations in the field of Sports 
Medicine, specifically with data from EMG analysis, in order to achieve a high level of 
customization in templates of reports focused on patient cases. 
Finally, the legislative status is explained regarding the use and processing of data 
within this field of Sports Medicine; and finally, in the sixth chapter, the conclusions 
obtained as a result of this project are presented. 



7 
  

Capítulo 2. Estado del arte 

Independientemente de cuál sea el nivel de abstracción de la disciplina Data 
Visualization, es completamente necesario analizar el estado del arte de esta rama y 
todas las influyentes dentro del ámbito de las tecnologías de la información y la 
comunicación. 

Es por ello que en el presente capítulo se realiza un recorrido teórico partiendo del 
concepto de Big Data en la sección 2.1y se da paso a los Sistemas Basados en 
Conocimiento en el apartado 2.2, en concreto del CBR como metodología perteneciente 
a la rama de Inteligencia Artificial. Además, en el apartado 2.3 se realiza un estudio de 
DataViz como ciencia y forma de conocimiento y; por último, en la sección 2.4, se abre 
paso al contexto que va a ser tratado en los siguientes capítulos, la electromiografía 
como Medicina del Deporte. 
 

2.1 Tratamiento masivo de datos 
Hoy en día el concepto Big Data se encuentra presente en cada movimiento que la 
sociedad hace frente dentro del ámbito de las Tecnologías de la Información. Según la 
materia que resulte de interés para el portavoz, el enfoque puede llegar a variar, 
llegando a tener incluso definiciones contradictorias.  

 

2.1.1 Concepto de Big Data 
La descripción que se arrastra desde hace unos años [8] habla de “todo conjunto datos 
(estructurados, no estructurados y semiestructurados) con información que no puede 
ser procesada o analizada mediante procesos o herramientas tradicionales”. 

En base a esta definición podrían surgir una fuente de discrepancias en función de tres 
aspectos, fundamentalmente: 

• En primer lugar, el volumen de la información, ya que no se podría especificar 
siquiera una magnitud concreta en la que se pudiera aclarar el término “Big”. 

• Por otro lado, la variedad en la que se disponen los datos, bien sea por la 
tipología en la que se presentan o por las fuentes de datos cada vez sobre 
tecnologías más avanzadas. 

• Seguidamente, la velocidad y movimiento de procesado de datos, debido a la 
heterogeneidad de herramientas emergentes con distinta capacidad para abarcar 
servicios. 

Es por ello que la definición nombrada anteriormente puede crear cierta ambigüedad 
sobre cualquier entidad o institución que pretenda hacer uso del Big Data. A la hora de 
examinar un posible diseño, desconocería la cantidad mínima de datos y carecería de 
una especificación sobre fuentes de información, límites de tasas de velocidad en 
cualquiera de las fases del tratamiento de los datos. 

 



8 
  

2.1.2 ¿Quién hace uso de Big Data y quién no? 
No obstante, han sido precisamente las tres fuentes de discrepancias nombradas las que 
han ido dejando atrás este término inicial y han condicionado su evolución, junto al 
constante crecimiento de herramientas de software de código abierto utilizadas en 
organizaciones públicas y privadas pertenecientes a sectores altamente dispares. Esto ha 
provocado paulatinamente que hoy en día el término Big Data sea un reto mayor, y 
posea la madurez suficiente como para ser considerado más bien como un conjunto de 
tecnologías, algoritmos y sistemas empleados para la recolecta de datos a una escala y 
variedad no alcanzada hasta ahora, con el valor añadido de posibilitar extracciones de 
información de valor mediante sistemas analíticos avanzados. 

Este nuevo enfoque tecnológico adquirido en los últimos años quiere decir que hoy en 
día no se considera únicamente Big Data los cientos de Zettabytes de datos que 
procesan y almacenan información en formato digital, sino que se pretende ir más allá y 
focalizar en el pequeño porcentaje de datos que son útiles entre estos inmensos 
conjuntos y que permiten realmente proporcionar conocimiento [9]. 
De modo que: 

• Por un lado, habría que tener en cuenta la veracidad de los datos que se 
disponen, pues en múltiples ocasiones se tiene un concepto equivocado de lo 
que realmente se tiene una vez se realiza cualquier display. 

• Otra consideración surge en si los datos recogidos y representados realmente 
tienen o no valor, ya que de aquí pende la utilidad final de los mismos y el 
conocimiento que puede aportar realmente.  

Ésta sería, por tanto, una de las justificaciones sobre las que se apoyan un elevado 
número de entidades e instituciones ya que, a pesar de no tratar las mayores cantidades 
de datos de forma absoluta, sí hacen uso realmente del Big Data debido a las 
herramientas y tecnologías que implican la transmisión de información fiable y con 
capacidad de aportar conocimiento a un grupo de usuarios finales. De cualquier forma, 
siempre surge la verdadera necesidad de comprender los datos que se han adquirido y, 
por consiguiente, de sistemas que generen explicaciones y supongan una fuente de valor 
y veracidad.   
 

2.2 Sistemas Basados en Conocimiento 
En relación a lo anterior cabe decir que el uso de sistemas Big Data no es factible sin un 
propósito final capaz de aportar conocimiento. Hoy día es muy común disponer de un 
entorno donde el IoT, Big Data, y las técnicas de IA formen un sólido equipo [10] y se 
complementen entre sí para generar valor descriptivo y predictivo a los conjuntos de 
datos: 



9 
  

 
Figura 1. Sistema data-driven para la obtención y regeneración de conocimiento. 

 
Este campo de sinergias es totalmente imprescindible ya que, en primera instancia, los 
datos recogidos por los microcontroladores IoT no tienen sentido si no disponen de un 
acceso Cloud donde se realice un análisis inmediato de los mismos y sean agrupados 
con otras fuentes de datos. Las tecnologías Big Data, por su parte, son las encargadas de 
crear un entorno IoT en conjunto con otros muchos flujos para realizar segmentaciones 
eficaces y así poder aplicar técnicas de IA que lleven a cabo una tarea considerada como 
esencial en la actualidad: la interpretación de datos para la resolución de problemas.  

Este término de resolución de problemas se toma en este proyecto en el sentido amplio  
dentro de la Ingeniería del Conocimiento [11], una rama de la IA concerniente a la 
extracción y representación de conocimientos que normalmente requieren un alto nivel 
de experiencia humana. Esta rama se encarga de diseñar y hacer funcionar los Sistemas 
Basados en Conocimiento (SBC), capaces de mejorar las prestaciones de otros sistemas 
mediante la incorporación de conocimiento y sin necesidad de manipular la estructura 
global del sistema en cuestión. Esto es realmente valioso ya que permite obtener varias 
soluciones y razonar cómo se llega a dicha solución. 

Así pues, un SBC procesa la información recogida y la incorpora a los recursos de 
razonamiento interpretables por un humano o por una máquina. Para ello, es muy 
común utilizar una memoria permanente en la cual se almacenen de manera explícita las 
soluciones dentro del dominio de aplicación en el que se trabaje. Este método en 
realidad es una de las formas más eficaces de razonamiento y aprendizaje dentro de los 
SBC, y no es otro que el paradigma Case-Based Reasoning (CBR) [12]. 

 

2.2.1 Fundamento del CBR 
El CBR es una técnica de IA cuyo funcionamiento es equivalente a un sistema de 
razonamiento por analogía, ya que reutiliza casos anteriores para facilitar la adquisición 
de conocimiento. Esto tiene como justificación el hecho de que el ser humano tiende a 
resolver problemas en base a experiencias pasadas, y no a partir de un conocimiento 
explícitamente detallado, por lo que se puede afirmar que el CBR comprende una 
poderosa fuente de resolución de problemas para el humano. 
En la terminología CBR, un caso supone una situación de problema y, por consiguiente: 

• Una situación experimentada previamente es denominada como un caso pasado, 
previo, almacenado o retenido. 

• El conjunto de problemas resueltos es la Base de Casos. 



10 
 

• Un nuevo caso es toda aquella situación del nuevo problema a resolver. 
 

2.2.2 CBR como proceso y jerarquía 
Por la suma de lo anterior, el CBR es considerado como un proceso cíclico, ya que se 
involucra en la recurrencia de los problemas y en el aprendizaje a partir de los mismos 
única y exclusivamente cada vez que el sistema lo necesita (metodología Lazy 
Learning). Para que esto se haga efectivo el ciclo CBR se describe según cuatro 
procesos [13]: 

1. Recuperación de casos similares dentro de la Base de Casos. 
2. Reutilización de la información y conocimiento en el caso capaz de resolver el 

problema. 
3. Revisión de la solución propuesta. 
4. Retención de las partes dentro de la resolución del problema que pueden ser 

útiles en experiencias posteriores. 
Para poder interpretar este proceso secuencial es necesario orientar el sistema CBR de 
modo que la resolución de tareas siga un orden jerárquico donde cada subproceso es 
interpretado por el sistema como un caso o problema. Esta jerarquía describe un sistema 
CBR desde tres perspectivas:  

• Como punto de partida, las tareas que comprenden los objetivos del sistema.  
• Cada una de esas tareas se compone de uno o más métodos, y para que un 

método sea capaz de cumplir una tarea, necesita: 
• Conocimiento sobre el dominio de aplicación, así como del problema en 

cuestión y su contexto. 
De este modo, la tarea de nivel superior es la resolución de problemas y el aprendizaje a 
partir de la experiencia, que se implementa por el método CBR para así descomponerse 
en cuatro tareas de segundo nivel que se corresponden con las cuatro fases del proceso 
CBR: recuperación, reutilización, revisión y retención. Estas cuatro tareas son las que 
consiguen llevar a cabo la tarea de orden superior, y del mismo modo se segmentan en 
otras tareas de tercer nivel y así consecutivamente. 
Cabe decir que, a partir de las tareas que suponen cada una de las fases del ciclo CBR 
no existen unos métodos predefinidos para cada dominio de aplicación, sino que el 
hecho de establecer esta jerarquía supone precisamente el reto de los sistemas CBR.  
  



11 
 

2.3 La visualización de datos como inteligencia 
Como ya se ha comentado, uno de los puntos más importantes dentro de la revolución 
Big Data y los Sistemas Basados en Conocimiento consiste en la disposición de los 
conjuntos de datos a la hora de transmitir y comunicar la información, para así poder 
aportar conocimiento tanto al ser humano como a otros sistemas sobre tendencias 
descriptivas, iniciativas analíticas y modelos predictivos [14]. 

Bien es cierto que el camino del dato es rigurosamente complejo y hemos visto que 
depende de múltiples entornos. No obstante, en última instancia, la obtención de un 
valor analítico efectivo tiene como responsable final la ciencia DataViz, pues es un 
hecho que ofrece una forma de generar explicaciones y ampliar el conocimiento mucho 
más fácil que mediante cualquier otro modelo estadístico de computación convencional. 
Es por ello que en los siguientes subapartados se analiza en profundidad la importancia 
de la percepción visual humana, la influencia de los elementos visuales en la 
transmisión de información, y por último algunas de los métodos generalmente más 
efectivos en las explicaciones gráficas. 
 

2.3.1 Percepción humana en DataViz 
La generación de explicaciones visuales tiene como foco de origen el propio 
procesamiento de la atención humana, que distingue entre una fase pre-consciente [15] 
donde se observan características como el color, la forma, la textura, el movimiento y la 
posición de los objetos en un intervalo temporal de menos de 200ms; con otra fase 
consciente en la cual el ser humano focaliza la atención de manera objetiva en una 
cantidad de tiempo mucho mayor. 

Es por esto que la ciencia de DataViz se hace efectiva cuando distribuye eficazmente la 
percepción y la cognición humana [16]. Si analizamos cómo se comportan estas dos 
partes en nuestro cerebro, se obtienen las siguientes conclusiones: 

• La percepción visual es manejada por la corteza de cerebro posicionada en la 
parte trasera, que es extremadamente rápida y eficiente. Es por eso que la vista 
actúa de forma inmediata y con poco esfuerzo.  

• La percepción cognitiva, por otro lado, es manejada por la parte delantera del 
cerebro, que es mucho más lenta y menos eficiente. Es por ello que dotar sentido 
de forma aislada a un conjunto de datos requiere ocupar toda esta parte de 
cognición, y una carga de trabajo importante. 

La visualización de datos consigue un balance entre estas dos partes, que se traduce en 
una visualización e interpretación instantánea y eficiente (sin mucha carga de trabajo) 
de los conjuntos de datos en nuestro cerebro. Se puede decir, por tanto, que la ciencia de 
DataViz permite obtener todas las ventajas de las habilidades cerebrales que engloban la 
percepción visual y cognitiva. 
En la siguiente tabla se muestran ejemplos de atributos comúnmente utilizados a la hora 
de representar información, junto a sus capacidades de percepción humana. Dichas 
capacidades se miden por niveles en función del grado de asimilación en nuestro 
cerebro: 
 

 



12 
 

 

Display Atributo Comparación 
y Orden 

Valores 
útiles Cantidad Número Categorías Relaciones 

 

Posición Sí Infinitos Muy 
Bueno Bueno Bueno Bueno 

 

Etiquetas 
de texto Sí Infinitos Muy 

Bueno Bueno Bueno Bueno 

 

Longitud Sí Muchos Muy 
Bueno Bueno N/A N/A 

 

Tamaño Sí Muchos Bueno Bueno N/A N/A 

 

Orientación Sí Medio N/A Bueno N/A N/A 

 

Densidad Sí Pocos Bueno Bueno N/A N/A 

 

Grosor Sí Pocos Bueno Bueno N/A N/A 

 

Saturación, 
luminancia Sí Pocos Bueno Bueno N/A N/A 

 

Color No Muy 
pocos N/A N/A Bueno N/A 

 

Forma No Medio N/A N/A Bueno N/A 

 

Textura No Medio N/A N/A Bueno N/A 

 

Conexiones 
y cajas No Infinitos N/A N/A Bueno Bueno 

 

Modelo de 
línea No Pocos N/A N/A N/A Bueno 

 

Fin de línea No Pocos N/A N/A N/A Bueno 

 

Grosor de 
línea Sí Pocos N/A Bueno N/A N/A 

Tabla 1. Atributos de codificación visual según la percepción humana y las capacidades que los cualifican [17]. 

 

Así pues, recapitulando para una capacidad de elevado interés como es la percepción 
cuantitativa que proporcionan los atributos visuales de la tabla anterior, contemplamos 
que (aparte de los números) atributos como la longitud y la posición son los que mejor 
precisión proporcionan, seguidos de la densidad, tamaño, saturación y brillo. No 
obstante, otros como la orientación, forma, cierre o conexiones no ofrecen percepción 
cuantitativa. 

Por último, cabe decir que este tipo de codificación visual es efectiva exclusivamente si 
se considera de forma conjunta, ya que a la hora de generar elementos gráficos se 
agrupan gran parte de los atributos que aparecen en la tabla.  
 

2.3.2 Principios de diseño visual 
Una vez vistos los distintos tipos de codificación se puede contemplar la relación entre 
los patrones desde el punto de vista del diseño. Una teoría muy consistente acerca de la 



13 
 

percepción humana y la comunicación entre objetos se basa en los llamados principios 
de Gestalt [17]. Se resumen a través de la siguiente tabla: 
 

Ley Explicación Ejemplo 

Simplicidad 
El ser humano prefiere objetos simples, claros y 
ordenados, pues son concebidos más rápidamente y 
sin necesidad de reorganización visual.     

Cierre 

Si se proporciona la cantidad exacta de información, 
el ojo humano es capaz de completar el resto por sí 
mismo y tratar a los distintos objetos o formas como 
un conjunto. 

 

Simetría y 
orden 

La simetría precede a la proximidad, y eso se 
demuestra en formas que el ojo humano tiende a 
asimilar de forma rápida. 

 

Figura y 
fondo 

Los objetos de forma convexa y de tamaño más 
pequeño tienden a ser considerados como figura, 
mientras que los de forma cóncava y de mayor 
dimensión se consideran como fondo.  

Conexiones 
Los objetos conectados entre sí tienden a concebirse 
visualmente como un conjunto, aunque existan otros 
pares de objetos con su misma forma.  

Regiones 
comunes 

Los objetos encerrados conjuntamente tienden a 
tratarse como un grupo a pesar de que se tengan 
objetos de su misma forma fuera de esa separación.  

Proximidad 

Los objetos separados conjuntamente tienden a 
tratarse como un grupo a pesar de que se tengan 
objetos de su misma forma fuera de esa separación 
espacial. 

 

Continuidad 
Los elementos con una disposición en línea recta o 
curva son concebidos con relación entre sí por la 
asimilación de los puntos origen-final.  

Sincronía 
Los objetos orientados de la misma forma se 
conciben con relación entre sí por “dirigirse” a un 
mismo destino.  

Paralelismo 
Los elementos que son paralelos entre sí se 
consideran que tienen relación o que se pueden tratar 
como un conjunto aparte del resto.  

Similitud 
Los objetos que comparten características similares 
como forma, color, tamaño y textura son 
considerados por guardar una relación entre sí.  

Focalización 
Los objetos con un punto particular de interés 
tienden a llamar la atención visual, aunque existan 
otros muchos de distintas características.  

Experiencias 
anteriores 

Existen ciertos elementos visuales que se conciben 
de acuerdo a la experiencia con esas características, 
como por ejemplo asociación de colores.   

Tabla 2. Leyes de Gestalt sobre el diseño gráfico y la percepción humana. 

 



14 
 

Lo anterior define cómo el ser humano concibe los elementos visuales y de la forma que 
tiende a agruparlos o buscar relaciones entre ellos a la hora de ser representados. Esto es 
realmente útil a la hora de resaltar un conjunto de datos del resto y también a la hora de 
dotar de sentido a lo que a priori parece incoherente [18]. 
 

2.3.3 La teoría del color 
El sentido que se le puede dotar al color está abierto a subjetividad en todo lo referente 
al diseño de elementos de visualización de datos. La posible reacción de un sujeto ante 
determinados conjuntos de colores puede variar en función de múltiples aspectos, 
partiendo de la edad y llegando incluso a factores éticos y culturales de dicho 
observador. 
Desde el punto de vista de DataViz, la teoría del color [19] engloba el modelo HSL que 
es caracterizado por tres componentes claves: el propio tono de color, la saturación y la 
luminosidad. Estos se muestran a través de la figura 2 [20]: 

 

 
Figura 2. Componentes de color y sus respectivas escalas en el modelo HSL. 

 

• El propio tono de color que se puede encontrar en la paleta de colores 
convencional, y que en este sistema se puede representar mediante una escala de 
0º a 360º en forma de rueda. 

• La saturación, que marca la intensidad del color. La escala HSL se encarga de 
medir la diferencia del color con el gris neutro, que tiene 0% de saturación. Los 
colores con un alto nivel de saturación parecen más brillantes y vivos. 

• La luminancia describe el rango de variación de un tono de color desde la 
oscuridad hasta la claridad del mismo. El criterio para ello es la cantidad de 
color negro añadido. 

El primer paso en la decisión de colores en una herramienta DataViz determinada es 
conocer los datos que se quieren representar mediante el color. Hay que ser coherente 
para poder determinar si realmente los atributos de datos son representables mediante 



15 
 

color. Tal y como se ha contemplado en la codificación humana en la percepción visual 
(ver tabla 1), el tono de color es muy apropiado para representar categorías, mientras 
que la saturación y la luminancia se asocian generalmente a valores cuantitativos.  

Una vez se decide que un determinado atributo se va a representar mediante color, el 
siguiente paso es entender la escala de los datos correspondientes a dicho atributo para 
poder elegir los tonos de color. Generalmente se puede discernir entre tres tipos de 
series de datos en función de las cuales se puede hacer una estimación de la cantidad de 
colores a utilizar: 

• Datos secuenciales: Cuando se parten de valores bajos que se conoce que 
tienden a ir hacia valores más altos. Este tipo de datos requieren un solo tono de 
color y la variación se puede llevar a cabo con el uso de la saturación y 
luminancia. No obstante, cualquier cambio sutil en estos dos componentes puede 
resultar difícil de apreciar, por lo que si se tiene un amplio rango de datos 
reducido se pueden utilizar dos tonos de color distintos. 

• Datos divergentes: Cuando existen puntos determinantes en el principio y fin 
de la escala, así como otros puntos importantes justo en mitad de la distribución. 
Es por ello que este tipo de series de datos requieren dos tonos de color, 
descendiendo en saturación o luminancia hacia a un tono neutral de gris, blanco 
o negro. 

• Datos cualitativos: Son aquellos que no tienen un orden de magnitud claro, y 
por tanto requieren tantos tonos de color como número de valores. Ante este tipo 
de serie de datos es importante tener en cuenta que la percepción visual humana 
comentada anteriormente tiene limitaciones al contemplar un elevado número de 
colores. Está demostrado que el uso 7 u 8 colores distintos ya requiere de 
percepción cognitiva además de visual, mientras que el uso de más de 12 
provoca problemas de diferenciación en la capacidad humana. 

Además, la elección de los propios tonos de color dentro de la paleta determina 
considerablemente la eficacia de la visualización. Esto se basa en la correcta 
combinación de los colores, pues es cierto que existen ciertos tonos que funcionan 
juntos mejor que otros. Hoy en día se pueden encontrar herramientas [21] que mediante 
una rueda de colores computan estas combinaciones en base a la regla de color que 
convenga para cada caso. Estas reglas de colores se establecen en base a una serie de 
criterios que se definen a continuación:  

• La escala monocromática se encarga de jugar con las sombras dentro de un 
mismo tono de color, lo cual hace que sea ideal para las series de datos 
secuenciales. 



16 
 

 
Figura 3. Ejemplo de aplicación de regla monocromática en el modelo HSL. 

 

• La escala de colores análogos se encarga de establecer un alineamiento de 
colores entre sí dentro de la rueda de color, por lo que son una alternativa muy 
correcta desde el punto de vista estético en la representación de datos secuencial. 

 

 
Figura 4. Ejemplo de aplicación de regla de analogía en el modelo HSL. 

 

• La escala de colores complementarios son los que se sitúan en lados opuestos de 
la rueda. Éstos tienen como fortaleza el área de representación que se componga 
de dos tonos de color, aunque es cierto que si se emparejan con colores neutros 
(blanco o gris) suponen una combinación perfecta para la representación de 
datos divergentes. 



17 
 

 
Figura 5. Ejemplo de aplicación de regla de complementación en el modelo HSL. 

 

• La triada de colores es una combinación de tres colores espaciados 
equitativamente entre sí a lo largo de la rueda. Estos suponen un buen punto de 
comienzo en una serie de datos cualitativa e ir jugando con las sombras de cada 
uno de ellos.    

 

 
Figura 6. Ejemplo de aplicación de regla de triada en el modelo HSL. 

 

Cabe decir que estas cuatro reglas no son ni mucho menos definitivas, pues para 
acercarse al caso de éxito que persigue una herramienta DataViz éstas se han de 
complementar con otras buenas pautas. Entre ellas, se encuentra por ejemplo la de no 
utilizar colores excesivamente saturados en una misma escala, pues podrían abrumar 



18 
 

demasiado el gráfico; o la de evitar colores con baja saturación y alto nivel de 
luminancia, ya que de esta forma no se apreciarían correctamente sin un fondo oscuro. 
Además, es importante destacar en última instancia que existen ciertos tonos de color 
que ya están predefinidos o inculcados coherentemente en la sociedad. Un ejemplo de 
estos últimos podría surgir en la representación de series de datos del partido demócrata 
o republicano, ya que se podrían asociar los colores azul y rojo respectivamente. 
 

2.3.4 Elementos gráficos en DataViz 
Ahora que ya nos hemos familiarizado con los fundamentos de la percepción visual y 
una vez contempladas algunas de las nociones generales de diseño gráfico, se puede dar 
paso a la visualización de datos como disciplina y a los prototipos de herramientas que 
la componen.  

Recordemos que la materia DataViz se encarga de representar ideas complejas llevadas 
a cabo de forma clara, precisa y eficiente [22]. Para ello, es necesario que los elementos 
gráficos presentes en cualquiera de sus herramientas posean las siguientes 
funcionalidades: 

 

 
Figura 7. Esquema de funcionalidades de los elementos gráficos en DataViz. 

 

De cualquier forma, todo se resumen a un mismo concepto: la transmisión de 
información, enfocada a todo usuario que busque cualquier método de razonamiento o 
conocimiento acerca del dato y a través de un conjunto de imágenes, texto y números.  
Pues bien, la verdadera utilidad de las herramientas DataViz se tiene cuando estas tres 
partes (imágenes, texto y números) trabajan como un único mecanismo. Por ejemplo, 



19 
 

mostrando en un gráfico numéricamente los datos de los que el visualizador realmente 
quiere obtener ideas, aportando ciertos comentarios narrativos o ecuaciones a modo de 
justificación, integrando una leyenda para facilitar la identificación de series de datos, e 
incluso añadiendo pequeñas tablas con números con tal de ofrecer una mejor relación de 
la información. 

Claro está que en la mayoría de ocasiones se dispone de demasiada información y se 
dedica poco tiempo a gestionarla, por lo que es complicado encontrar la forma de 
generar elementos visuales que proporcionen una idea clara de los datos y a la vez 
resulten atractivas para el usuario final. El conjunto de herramientas DataViz que se 
encarga de esto y por consiguiente de implementar todas las funcionalidades 
comentadas sobre la figura 7, se dividen en dos partes: la visualización de datos estática 
y dinámica. 
Por un lado, la visualización de datos estática es aquella que muestra la información de 
forma plana, sin permitir al usuario interactuar con el material visual. Un ejemplo de 
este tipo de DataViz estática son las infografías [23], que tienen como objetivo 
principal convertir la transmisión de información compleja en una tarea sencilla, 
tratando de explicar esa información de la forma más amena y artística posible. 

Estas infografías realmente no solo se muestran gráficos, sino también hechos, líneas de 
tiempo, historias, recetas, estudios de mercado, tendencias, encuestas, mapas, rutas, 
ubicaciones, biografías…  
En la siguiente figura se muestra un ejemplo de infografía: 

 
Figura 8. Ejemplo de infografía temporal. 



20 
 

Tal y como se puede observar, la infografía anterior representa los eventos que han 
ocurrido en la evolución del mítico personaje Mario Bros, ofreciendo una fácil 
comprensión sobre los distintos eventos históricos. No obstante, es una comunicación 
plana en la que el usuario no puede indagar sobre determinados puntos, y donde no se 
establecen variaciones en los datos.  

No obstante, la visualización de datos dinámica se encarga de resolver el problema que 
deja el anterior, permitiendo al usuario final interactuar con los elementos visuales y 
navegar entre los datos para poder centrarse en los diferentes puntos de interés 
aplicando filtros, zoom, y otros muchos elementos de configuración y personalización.  

Un ejemplo claro de este tipo de herramientas DataViz dinámicas son los dashboards 
[18], donde en una sola hoja se muestra una visualización gráfica orientada a los 
objetivos de negocio y monitorización de KPIs (Key Performance Indicator) con tal de 
optimizar las estrategias en las empresas.  

A continuación, se representa un ejemplo de dashboard mediante la figura 9: 

 
Figura 9. Ejemplo de dashboard orientado a experiencia de cliente. 

 
En el anterior dashboard se observa el estado global de los principales indicadores de un 
negocio, concretamente los enfocados a la experiencia de cliente. Esto quiere decir que 
en caso de existir algún problema con los parámetros monitorizados se podría detectar y 
tomar decisiones al respecto; no obstante, en ningún momento se permitiría analizar las 
causas que originaron dicho problema.  

 
 

 



21 
 

2.3.5 Storytelling: la importancia del contexto 
Es totalmente cierto que los tipos de elementos gráficos explicados anteriormente son 
altamente influyentes en la creación de herramientas DataViz. Pues bien, a todo esto 
cabe añadir un factor que en múltiples ocasiones se pasa por alto y tiene un elevado 
nivel de importancia en esta ciencia: el concepto de Storytelling, o lo que es lo mismo, 
el talento para contar historias [24]. 

Esto, en realidad, está ligado en cierto modo al apartado anterior, pues las historias son 
una forma maravillosa de enfocar la atención humana y ayudar a discernir por qué los 
datos presentados son importantes o relevantes en alguna parte de nuestra vida. En la 
siguiente figura [25] se puede observar la importancia del Storytelling en la ciencia 
DataViz: 

 
Figura 10. Relación de Storytelling y DataViz. 

 

Las capacidades que ofrece la técnica de Storytelling son las siguientes [26]: 

• Ilustrar un proceso con la ayuda de herramientas DataViz simples y que el 
usuario considere fáciles de digerir. 

• Remarcar líneas de tendencia a través de acontecimientos ocurridos, con el 
soporte de gráficos de línea, mapas, pie charts, etc… 

• Apoyar un argumento sólidamente con gráficos personalizados que hagan al 
usuario interesarse por el contexto. 

• Conducir las emociones del usuario presentando contenidos visuales de noticias 
que sigan el hilo y puedan provocar un impacto positivo en el público. 

• Crear interactividad en las herramientas DataViz ofrecidas al contar la historia 
para proporcionar al usuario una experiencia personalizada. 

Claro está que existen algunos conjuntos de datos que únicamente son significativos en 
un determinado contexto, y aquí es precisamente donde contar una historia a través de 
ellos se convierte en una acción de valor. Además, la parte del público receptora de 



22 
 

cualquiera de estas técnicas de Storytelling tiende a ubicar como punto central de la 
historia las percepciones gráficas sobre las que ha ido “viajando” en el transcurso de la 
misma; y esto es debido a que no se está meramente informando al usuario final, sino 
que se le está aportando entretenimiento de forma constructiva mediante la experiencia 
[27]. 

De este modo, la inteligencia de esta metodología se basa en conseguir una mezcla 
equilibrada entre informar y contar la experiencia, pues es lo que realmente se traduce 
como un caso de éxito en la comunicación. No obstante, no toda visualización requiere 
necesariamente una historia, pero sí una meta u objetivo específico en el cual es 
necesario dotar de un contexto. 
 

2.4 Ámbito de aplicación 
Ya se ha comentado que el presente Trabajo Final de Máster se enfoca primeramente 
desde una perspectiva genérica para posteriormente pasar a un caso práctico concreto 
usando datos de electromiografía. Esto quiere decir que en el próximo capítulo se 
estudia la metodología CBR que propone recuperar y adaptar visualizaciones en base a 
una caracterización sintáctica y semántica tanto de las características de los datos, la 
visualización y los requisitos del usuario; para en el capítulo 4 ser aplicada sobre un 
caso de estudio en particular y diseñar herramientas DataViz efectivas en plantillas de 
informes. 

La coordinación de estas dos materias – CBR y DataViz – para la optimización de 
informes realmente podría orientarse realmente a cualquier de campo de aplicación 
donde se la generación de datos por sistemas IoT requieran de explicación visual: 

• Niveles de contaminación en Smart Cities. 
• Estado de congestión de las carreteras y otras infraestructuras urbanísticas. 
• Niveles de consumo en la monitorización de maquinaria en factorías. 
• Evolución de los niveles de actividad en plantas de producción. 
• Medición de glucosa, fructosa, sacarosa y otros muchos factores influyentes en 

la monitorización de pacientes dentro del campo de la Medicina. 
En nuestro caso, la iniciativa práctica se centra en la toma de respuestas 
neuromusculares de pacientes asociados a la Medicina del Deporte. Para ello, se parte 
de una serie de pacientes (o casos), a los que se les ha de asignar (como resolución al 
problema) una explicación visual personalizada y ajustada a las necesidades de los datos 
y herramientas DataViz acordes al contexto. 
Llegados a este punto y hasta el final del presente capítulo se procede a entrar en el 
contexto que a posteriori va a suponer este caso práctico, por lo que se estudian las 
técnicas y procesos llevados a cabo en la colecta y tratamiento de datos en una 
población de pacientes. 
 

2.4.1 Análisis y representación de datos en el ámbito sanitario 
De forma general, el campo de la Medicina hoy en día es claramente hot-topic en 
materia de análisis y representación de datos, pues cada vez es mayor la variedad de 
dispositivos y sistemas encargados de recoger y tratar la información de los usuarios. 
Esto es, sin duda, consecuencia directa de que el mundo de Internet of Things se esté 
incorporando en este campo a una velocidad sin precedentes. 



23 
 

Por extensión, todo lo referente al ámbito específico de la Medicina de la Educación 
Física y el Deporte juega un papel clave en el análisis de datos de pacientes debido al 
tremendo alcance que posee. Dicho alcance se justifica debido a que, de forma general, 
los datos sanitarios no solamente se componen de la historia clínica, sino que también 
de cualquier otro recurso relativo a la salud. Esto se traduce en un extenso conjunto 
datos que contienen información que, a día de hoy, resultaría impensable facilitar a 
desconocidos [28]. Entre ellos: 

• Datos que recopilan información y valoraciones sobre la situación o evolución 
clínica de un deportista o paciente. 

• Datos relativos al padecimiento (o riesgo) de lesiones, enfermedades o 
discapacidades. 

 

2.4.2 La electromiografía como ciencia 
La electromiografía [29] es un procedimiento de diagnóstico que evalúa la condición 
física de los músculos y las neuronas motrices que los controlan. Por naturaleza, un 
movimiento neuromuscular consiste en la emisión de señales eléctricas que causan 
flexión y relajación de los músculos; por lo que un análisis EMG se encarga de traducir 
estas señales a modo de gráficos o series numéricas que ayudan a los doctores a llevar 
un diagnóstico. 
Es así que los médicos (o cualquier experto otro sanitario asiduo) requieren de un 
análisis EMG para un paciente que tiene algún tipo de síntoma o desorden en las 
neuromuscular. Estos síntomas incluyen, entre otros: dolor, insensibilidad, debilidad en 
las extremidades e incluso hormigueos. 
Para la realización de una prueba EMG se utilizan pequeños dispositivos llamados 
electrodos que actúan a modo de sensores recogiendo impulsos eléctricos en los 
movimientos de flexión y contracción de los músculos del paciente. Estos impulsos son 
los que el especialista requiere de análisis e interpretación para la detección de 
anomalías. 

 

2.4.3 A quién se dirige 
Un análisis EMG, al igual que el campo de La Medicina del Deporte en general, está 
enfocado a [30]: 

• Personas en busca de soluciones efectivas ante cualquier impedimento físico, 
enfermedad o discapacidad. 

• Personas que se quieran iniciar en el deporte y quieran conocer su estado 
neuromuscular y su riesgo de padecer enfermedades. 

• Personas con patologías traumatológicas del aparato locomotor que impidan el 
desgaste físico o incluso ciertos hábitos cotidianos. 

• Personas que quieran mejorar su actividad física y les permita obtener un mejor 
performance en los entrenamientos. 

 



24 
 

2.4.4 Responsables del análisis médico 
Es así que existen una enorme cantidad de entidades por las que pueden pasar los 
conjuntos de datos desde que se obtienen en la realización de una prueba EMG hasta 
que se almacenan y se consultan a modo de representación visual. Dichas entidades 
engloban una serie de expertos que pertenecen a distintas áreas patrimoniales y 
funcionales [31].  De cualquiera forma, para el caso que nos ocupa se pueden listar de la 
siguiente forma: 

• Hospitales y centros de salud. 
• Clínicas especializadas y farmacias. 
• Mutuas y compañías aseguradoras. 
• Empresas dedicadas al desarrollo y gestión de herramientas de uso por 

profesionales de la salud. 
• Empresas terceras contratadas con capacidad de acceso y almacenamiento de los 

datos. 

 

2.4.5 Alcance tecnológico del análisis 
Así pues, todos los datos recogidos en las pruebas EMG son susceptibles de ser 
tratados, bien sea de forma escrita en un informe médico o automatizada mediante el 
soporte técnico más adecuado. 

Desde un punto de vista tecnológico [32] estos conjuntos de datos podrían ser 
estructurados mediante un sistema de capas como se muestra en la siguiente tabla junto 
a un posible ejemplo práctico: 

 
Capa Contenido 

Fuente de datos 
Origen de la información recogida por los electrodos. Esto es, los impulsos 
eléctricos correspondientes a los movimientos flexión-relajación de la 
prueba EMG. 

Integración 
Adquisición e incorporación de los datos en las distintas plataformas de 
software del centro sanitario. 

Storage Almacenamiento de datos en sistemas Cloud o, como alternativa, en bases 
de datos de gran envergadura. 

Computación 
Cloud 

Manejo de datos del análisis EMG junto a otros recursos del historial 
clínico del paciente.  

Representación 
y análisis 

Visualización y generación de informes interactivos que permitan al 
experto focalizar en la detección de anomalías para un análisis EMG 
determinado en combinación con otros aspectos recuperados del historial 
clínico. 

Tabla 3. Implementación tecnológica del análisis EMG. 

 
Para comprobar la envergadura del anterior conjunto de capas y para finalizar la puesta 
en escena del estado del arte del contexto, se nombran algunas de las muchas 
aplicaciones prácticas en el campo de la medicina del Deporte y donde se aprecia 
considerablemente la presencia del análisis EMG como parte sustancial del IoT así 
como la necesidad de herramientas DataViz [33] para la optimización del análisis: 



25 
 

• Monitorización remota de los signos vitales de los deportistas, bien estén en 
situaciones atléticas normales, de riesgo extremo o bajo supervisión médica. 

• Tracking del stock de medicación para deportistas o pacientes. 
• Ubicación tanto de deportistas que hacen uso de wearables como de personas 

dependientes de profesionales. 
• Control de la instrumentación de bombeado, paneles analíticos, camas de 

hospital, etc… 
 

2.5 Recapitulación del estado de la materia 
El presente capítulo es un precedente claro de cómo el CBR, como técnica de IA, es un 
sistema que se adecúa perfectamente a cualquier entorno donde existan conjuntos de 
datos masivos. Cabe añadir que, hoy día, es un hecho que estos conjuntos de datos 
procedan de numerosas fuentes de dispositivos IoT con un alto nivel de heterogeneidad 
y en muchas ocasiones totalmente opacos al usuario final, por lo que una propuesta de 
valor que los sistemas CBR pueden ofrecer en este aspecto es la visualización 
inteligente de estos datos. 

Tal y como se ha visto, la ciencia DataViz supone un punto de inflexión en la capacidad 
de razonamiento humana, convirtiéndose la generación de explicaciones visuales en una 
forma de inteligencia. Si extrapolamos esto al ámbito sanitario, vemos que la 
incorporación de nuevos dispositivos IoT encargados de la recogida de datos en este 
entorno y toda la pila tecnológica que llevan de la mano hace que los expertos sientan 
real necesidad por disponer de informes donde se puedan interpretar estos datos de 
forma automática y con la mayor precisión posible, facilitando así la toma de decisiones 
en sus tareas. 

En los siguientes capítulos entran en análisis las distintas fases para un sistema CBR 
genérico e independiente de dominio, de modo que pueda ser reutilizable en cualquier 
caso de uso que se requiera la recuperación de plantillas de informes donde primen la 
reutilización y adaptación de elementos gráficos.  

Esto se lleva a cabo teniendo en cuenta en todo momento el alcance del proyecto global 
en el que se engloba el presente Trabajo Final de Máster, particularizando en el área de 
operación del mismo: la propia reutilización y adaptación de elementos DataViz. 
A pesar de que en el transcurso del tercer capítulo todo esto se toma desde una 
perspectiva totalmente genérica, a posteriori – en el capítulo 4 – sí se particulariza 
dentro de este sistema CBR general un sub-sistema que pertenece al dominio específico 
de la Medicina del Deporte con datos EMG y que consiste en una herramienta de 
reutilización y adaptación de elementos gráficos. 



26 
 

Capítulo 3. Metodología  

Una vez analizado el estado de la materia que constata el presente Trabajo Final de 
Máster, se procede mediante este capítulo a describir la parte teórica que corresponde al 
diseño y desarrollo de un mecanismo inteligente de visualización basado en el 
paradigma CBR. 

 

3.1 Alcance del desarrollo  
Antes de nada, cabe decir que el presente Trabajo Final de Máster está ligado a un 
proyecto con una pretensión global que equivale a la metodología explicada en la 
sección 2.2: 

1. Se dispone de una base de casos de plantillas. 
2. Estas plantillas se caracterizan según los tipos de datos a visualizar y la función 

de visualización apropiada acorde al mensaje que se desea transmitir. 
3. La información ha de ser etiquetada correctamente para adaptarla a un caso, que 

se corresponde con un tipo de plantilla. 
4. La plantilla más adecuada se recupera para ser completada con las herramientas 

visuales reutilizadas y adaptadas a los datos previamente etiquetados. 
Es por ello que estamos ante un sistema genérico e independiente del dominio que sigue 
una metodología CBR aplicable a cualquier caso de uso donde prime la recuperación de 
plantillas de informes. Esto supone lo que en adelante se denomina como sistema CBR 
general. 
No obstante, el desarrollo que abarca este Trabajo no se corresponde con todo este ciclo 
CBR general, sino que toma una parte crucial dentro de éste. Esta parte se corresponde 
con las acciones de reutilización y adaptación de las visualizaciones, y supone un 
sub-sistema CBR dentro del ciclo general de la recuperación de plantillas de informes.  
En el presente capítulo se parte de la comprensión de la base del sistema en su totalidad 
con tal de profundizar progresivamente en la metodología que ocupa este proyecto. Es 
precisamente por este motivo que ha de quedar clara la terminología que distingue el 
sistema CBR general del sub-sistema CBR propuesto para la reutilización y adaptación 
de elementos gráficos. Todo esto se abarca de forma genérica e independiente del 
dominio para otorgar de particularización al siguiente capítulo de la memoria.  
 

3.2 Generación de plantillas de informes 
Tal y como se ha comentado en el capítulo 2, a la hora de transmitir información, 
independientemente del medio que se trate, es imprescindible tener en cuenta tres 
necesidades básicas: 

• La competencia literaria, que define la habilidad para pensar y comunicar con 
palabras, bien sea en lenguaje hablado o escrito. 

• El ámbito numérico, que permite la transmisión de información mediante el 
alfabeto que comprenden los números. 

• La parte gráfica, que habilita la comunicación mediante imágenes y todo tipo de 
representaciones visuales. 



27 
 

Para una comunicación efectiva estas tres competencias han de tratarse en total 
concordancia, y un sujeto perfecto para su utilización podría ser un informe 
correspondiente a cualquier tipo de área funcional [34]. En este caso, resulta más que 
factible narrar una historia con los datos y tener la capacidad de aportar valor a la vez 
que se transmite la información, con la finalidad de crear un cierto nivel de fidelización 
en el público al cual va dirigido. 
Si un informe se divide de forma sustancial se pueden diferenciar claramente el 
contenido comentado en los tres puntos anteriores, teniendo la parte numérica como un 
punto de la narrativa que complementa la parte literaria y permite cuantificar los datos 
de forma alternativa a las palabras. 
En la figura 11 queda representado un pequeño esquema: 

 
Figura 11. Partes sustanciales de un informe. 

 
El uso de estos informes en nuestra metodología se basa un sistema CBR general donde 
los casos son las propias plantillas de informes. No obstante, además existe otro CBR 
que se utiliza para recuperar y adaptar los gráficos, es decir, son los elementos visuales 
los propios casos que se recuperan y adaptan para ser objeto de reutilización junto a 
elementos de texto. 

Esto se muestra en la figura 12: 

 
 
Figura 12. Esquemas de ciclo general para la recuperación de informes y ciclo secundario para la reutilización 

y adaptación de sus elementos sustanciales. 



28 
 

Ya se ha comentado en el transcurso de los anteriores apartados que en este proyecto se 
propone un enfoque CBR para aportar explicaciones visuales dentro de plantillas de 
informes y representar información de forma cuantitativa y cualitativa. Además, 
también se ha aclarado en el capítulo 1 que el objetivo específico de este Trabajo Final 
de Máster se centra en la parte visual de las explicaciones, y no en los textos, por lo cual 
el resto de documento se enfoca única y exclusivamente la información visual que 
ocupa dicha parte de los informes.  

 

3.3 Sistemas de automatización de datos 
Los sistemas CBR que se encargan de resolver la tarea principal de presentar datos en 
forma gráfica de manera automática ofrecen un conjunto de reglas que eligen por sí 
mismas entre distintos enfoques de representaciones visuales, lo cual hace que se 
simplifiquen notablemente las actividades de un programador de diseño de herramientas 
de DataViz evitando la necesidad de ajuste y representación de los datos cada vez que 
se actualiza un campo de salida dentro del conjunto. 
 

3.3.1 Ciclo CBR para la finalización de informes 
El ciclo CBR general propuesto que se encarga de la recuperación de informes tiene 
como caso base el conjunto de plantillas cuyos huecos se pretenden rellenar con 
información visual. Así pues, tiene el aspecto que se indica en la siguiente figura: 

 
Figura 13. Ciclo CBR para la agregación de elementos gráficos en plantillas de informes [13]. 



29 
 

Con respecto a este ciclo se destacan los siguientes puntos: 

1. Primeramente, la petición de entrada es el propio material visual (chart), que a 
su vez viene acompañado de:  

a. Conjunto de datos que se pretende agregar al informe. 
b. El sujeto al cuál se dirige el mensaje del informe. 
c. Las principales funciones de visualización. 

2. En segundo lugar, la fase de recuperación de la plantilla de informe se basa en 
los modelos previos de plantillas de los que se dispone como caso base. 

3. Seguidamente, la etapa de reutilización es la que comprende el segundo ciclo 
CBR para la recuperación y la adaptación de gráficos. Es decir, se consigue 
sustituir los huecos con los gráficos adecuados según la función de visualización 
y el conjunto de datos. Aquí se ha de tener en cuenta el tipo de gráfico apropiado 
a la función de visualización y a los datos de los que se disponen, así como los 
colores, formas y tamaños a utilizar para causar un buen impacto en el 
espectador. Los principios de Gestalt comentados en el capítulo anterior juegan 
un papel muy importante en la utilización de gráficos para captar la atención del 
usuario final. Cabe decir también que otro elemento de importancia en este 
segundo ciclo CBR que comprende la reutilización sería la adaptación de 
elementos textuales, lo cual queda fuera de los objetivos iniciales de este trabajo. 

4. Una vez se recupera el gráfico, se sugieren los elementos visuales que mejor se 
adaptan a los datos de entrada y a los huecos del informe. 

5. Así pues, a continuación se hace efectiva la fase de revisión para comprobar que 
los gráficos aportan valor al texto en el Storytelling, y por consiguiente que el 
informe es efectivo en su totalidad. Esto da paso a la siguiente etapa, que 
consiste en: 

6. La interacción del usuario con los elementos visuales de dicho informe para 
posibilitar el aprendizaje, basándose en la observación y memorización de las 
configuraciones realizadas: vista general, zoom en las distintas partes, selección 
de rangos, exploración, extracción, filtrado, conexión… 

7. Por último, en base a esta personalización, el sistema establece el caso aprendido 
eligiendo el valor inicial para las características visuales. Características como el 
tamaño de línea, color y grosor son retroalimentados de acuerdo a los datos y 
funciones de visualización tomados en el proceso. Estos cambios se almacenan 
en los ajustes del caso base.  

 

3.3.2 Jerarquía CBR para la finalización de informes 
Para diseñar los elementos de visualización acordes a este ciclo y cumplir la efectividad 
en la transmisión de información [35] es necesario disponer de una serie de criterios que 
se apoyen básicamente sobre: 

• Las propiedades de la información que se pretende visualizar en base a los 
objetivos y las preferencias que el usuario persigue con la visualización. 

• Las relaciones que tienen los datos entre sí y con el contexto, tratando la 
información dentro de un dominio específico y definiendo una taxonomía de 
análisis de datos que se pueda utilizar para caracterizar información heterogénea. 

• Las técnicas visuales más apropiadas dentro de un determinado diseño, 
conociendo todos sus principios y sumando el valor que aporta la metodología 
del storytelling. 



30 
 

Un sistema muy apropiado para la generación y explicación de gráficos automáticos es 
el llamado SAGE [36], cuyo funcionamiento se basa en representar las principales 
características de los datos de un usuario considerando en todo momento las 
funcionalidades y estructuras soportadas por cada tipo de forma gráfica.  
La arquitectura de dicho sistema se representa mediante la Figura 14: 

 

 
 

Figura 14. Arquitectura SAGE para la comunicación entre aplicaciones y sistemas gráficos. 

 

En el anterior proceso se puede contemplar que el sistema SAGE se encarga 
principalmente de articular una aplicación con su correspondiente parte gráfica con tal 
de obtener una salida en forma de explicación visual. 
La aplicación que se expone en la figura 14 puede ser cualquier interfaz de generación 
de informes encargada de realizar consultas al sistema Cloud o de bases de datos 
responsable de almacenar y estructurar la información según las entradas de los 
datasets. Una vez se obtiene esta información útil, la aplicación debe comunicar al 
sistema gráfico las necesidades de representación que requieren las salidas de los 
conjuntos de datos, de modo que finalmente se apliquen conocimientos de diseño 
DataViz para la selección y síntesis de técnicas gráficas apropiadas para una eficiente 
transmisión de las explicaciones al usuario final.  
Si nos fijamos, esto es totalmente acorde al objetivo del sub-sistema CBR comentado, 
que se encarga de la reutilización y adaptación de elementos visuales. Es más, echando 
la vista a lo comentado en el anterior apartado de informes, vemos que esta metodología 
encaja perfectamente de la siguiente forma: en cada informe (correspondiente al ciclo 
CBR general) existen huecos para gráficos y, dependiendo de la descripción y 
particularización de dicho hueco, se pueden recuperar unos datos u otros expresados de 
forma gráfica (sub-ciclo CBR de reutilización y adaptación). 

A continuación, se comentan las cuatro fases del proceso CBR como cuatro tareas 
estructuradas de forma jerárquica y que han de realizarse para cumplir con la tarea 
principal que propone SAGE, que no es otra que la óptima generación de explicaciones 
visuales. 

 

3.3.2.1 Tarea	de	recuperación	
La primera tarea de la jerarquía se divide en cuatro subtareas, mediante las cuales se 
identifican y procesan las entradas de datos, se asocian a casos anteriores parecidos, y 
finalmente se selecciona el óptimo. Se muestra la siguiente figura:  

 



31 
 

 
Figura 15. Jerarquía de subtareas para la recuperación de un gráfico en un hueco de informe. 

 
Tal y como se observa, el conocimiento de los diseños no depende específicamente de 
la aplicación y por tanto el sistema no reconoce a priori de forma particular el tipo de 
datos ni las relaciones que existen entre ellos mientras están almacenados, sino que esto 
es necesario expresarlo en términos de caracterización de la información. 
La caracterización de información permite entender las entradas de datos para un 
gráfico de una forma personalizada, lo cual hace que se entienda la elección del gráfico 
en base a un contexto determinado. Debido a la alta importancia que cobra esta 
subtarea, en los siguientes apartados se definirá y representará explícitamente la 
caracterización de datos y gráficos para que un sistema pueda tomar decisiones a la hora 
de presentar la información gráfica en plantillas de informes. 
Una vez caracterizada la información, se tienen los gráficos candidatos a completar un 
hueco de la plantilla y se puede realizar un primer tanteo en el que se evalúe el 
acercamiento del gráfico al contexto de la información. Este acercamiento permite a 
posteriori elegir el gráfico correcto en función de los casos similares anteriores y la red 
semántica definida. 
 

3.3.2.2 Tarea	de	reutilización	
La reutilización del caso recuperado se enfoca desde dos perspectivas. Por un lado, las 
diferencias entre gráfico previamente seleccionado y el actual; y por otro, la adaptación 
de funcionalidades que el gráfico anterior puede ser transferido al nuevo gráfico. Se 
muestra en la figura 16: 



32 
 

 

 
Figura 16. Jerarquía de subtareas para la reutilización de un gráfico en un hueco de informe. 

 

La reutilización trivial de un gráfico es su propio duplicado; no obstante, la aplicación 
de este método normalmente no implica la resolución de la tarea ya que se necesita una 
adaptación entre el gráfico previo y el nuevo.  
Por un lado, se contempla la equivalencia entre gráficos, por lo que se requiere una 
fuerte dependencia de las características contextuales con tal de generar los operadores 
transformacionales ligados a los atributos del nuevo gráfico. 

Por otro lado, también se contempla la forma en la que se resolvió la tarea de 
recuperación en el gráfico que se duplica. Esto es, el gráfico original posee metadatos 
sobre la resolución de la tarea de recuperación sobre sí mismo, justificando el tipo de 
caracterización gráfica que se realizó, el tipo de informe para el cual estaba preparado, 
etc… Este gráfico original ahora duplicado es el más similar a al nuevo gráfico, y lo que 
se plantea es una serie de alternativas para el nuevo caso de contexto. Un ejemplo de 
esto podría ser la modificación de los colores para el nuevo gráfico en caso de que se 
quieran representar unas características acordes a una paleta determinada. 

 

3.3.2.3 Tarea	de	revisión	
Cuando un gráfico reutilizado no es el correcto, la metodología CBR sugiere una 
oportunidad de aprender del fallo generado. 
Para completar esta tarea se sigue la jerarquía mostrada en la figura 17: 

 



33 
 

 
Figura 17. Jerarquía de subtareas para la revisión de un gráfico en un hueco de informe. 

 
En primer lugar, se evalúa el gráfico dotándolo de opción de consulta; por un lado, a un 
experto en DataViz para comprobar la reutilización de los atributos gráficos; y por otro, 
a un experto en la materia contextual que sea capaz de asegurar si el gráfico elegido 
realmente proporciona conocimiento sobre los conjuntos de datos que originalmente se 
introdujeron en el sistema CBR. Al requerir de operación externa al sistema, esta tarea 
implica que nuestra metodología tome tiempo para la evaluación del caso. 
En caso de que el gráfico necesite ser modificado el sistema aprende la solución tomada 
para revisar de nuevo que se encuentra ante el gráfico adecuado al hueco del informe. 
No obstante, si el fallo persiste, se puede tomar acción manual para la personalización 
de los atributos visuales a los datos de entrada.   

3.3.2.4 Tarea	de	retención	
Tras la correcta personalización del gráfico para las entradas de datos propuestas, la 
última tarea del proceso se basa en la retención de la información por parte del sistema 
para incorporarlo en su base de conocimiento. El aprendizaje de acierto o fallo en la 
personalización del gráfico viene determinado por el proceso de evaluación y posible 
reparación del gráfico, pues en base a esto se determina qué información del gráfico hay 
que retener, en qué forma se debe hacerlo, cómo indexar este gráfico para otros casos de 
informes similares y cómo integrar el nuevo caso en la estructura de la memoria del 
sistema. 
Para completar esta tarea se sigue la jerarquía mostrada en la figura 18: 

 



34 
 

 
Figura 18. Jerarquía de subtareas para la retención de un gráfico en un hueco de informe. 

 

La Base de Casos de elementos visuales para la complementación de plantillas de 
informes se actualiza independientemente de la forma en la que se elija el gráfico. De 
modo que: 

• Si se resuelve mediante el uso de un gráfico anterior, se podría construir uno 
nuevo a partir del caso similar, tal y como se ha comentado previamente.  

• Si el gráfico se construye por otros medios (como por ejemplo con la ayuda 
externa de un usuario), de forma irrevocable habría que generar un nuevo 
gráfico de forma completa. 

De cualquier manera, además del propio gráfico se ha de extraer siempre una 
explicación u otra forma de justificación de la personalización del mismo, así como 
otros valores descriptivos relevantes. Sin ir más lejos, un buen hábito en la retención de 
información es la diferenciación de los casos de fallo en la tarea de revisión y la 
asociación entre ellos. Esto permite buscar patrones y establecer recordatorios en el 
sistema para en la reutilización de casos similares tomar acciones apropiadas, así como 
entender y corregir de forma inmediata fallos parecidos en la tarea de revisión. 

Así pues, una vez se extrae la cantidad de información adecuada, se indexa de forma 
directa en función de la caracterización de datos de entrada; y de forma indirecta 
mediante las justificaciones tomadas en el proceso. Esto quiere decir que las 
características primarias indexadas son en realidad la propia caracterización de datos y 



35 
 

gráficos, y cuando entra un nuevo tipo de datos éstas se reajustan para mantener un 
mismo patrón en la memoria de casos. De otra forma, las características asociadas a las 
primarias son las indexadas como secundarias y tienen información relativa a las 
acciones tomadas en el proceso. 
Un ejemplo de ajuste de índices puede resultar efectivo con el uso de una matriz capaz 
de relacionar características sintácticas con características semánticas, para así asignar 
unos pesos a cada relación y que estos pesos se vayan actualizando en función del 
feedback por parte de expertos en el contexto. Esta valoración indicaría el acierto o fallo 
de la personalización del gráfico y por tanto el reajuste de los índices primarios. 

Con todo esto, la tarea principal de personalización de gráficos para la 
complementación de informes en un proceso CBR termina con la subtarea de 
integración y actualización de la base de conocimiento del sistema, donde se queda a la 
espera de la introducción de un nuevo conjunto de datos a representar. 

 

3.4 Caracterización de datos 
Se ha visto que la caracterización de datos supone una tarea imprescindible en el ciclo 
CBR general de la recuperación de plantillas de informes. Esta caracterización de datos 
persigue primordialmente el reconocimiento y la clasificación de nuevas entradas de 
datos para aplicar algoritmos y técnicas de captura de características, patrones, 
predicciones, anomalías y dependencias con otros tipos de variables. 

Así pues, aquí entran en juego diversas técnicas que engloban desde procesos de filtrado 
y limpieza de datos hasta algoritmos de analítica avanzada. Esto permite, entre otros 
aspectos, el estudio de los conjuntos de datos y su evolución en distintos periodos 
temporales, establecer patrones y buscar tendencias inesperadas; y cómo no, analizar 
cómo se relacionan los datos con el contexto. 
Toda caracterización efectiva de datos [37] ha de presentar un enfoque lo 
suficientemente flexible para acomodar nuevos tipos de datos, así como un alto nivel de 
comprensibilidad para capturar la relación entre la información y el entorno gráfico 
apropiado. Los puntos para proceder a explicar la caracterización de datos son: 

• Análisis de las características utilizadas. 
• Relación entre los conjuntos de información de carácter heterogéneo, tanto 

cuantitativa como cualitativa, en entornos dinámicos y estáticos. 
• Características de datos que se han de mapear con técnicas gráficas. 

De forma general, el sistema SAGE comentado anteriormente sobre la figura 14 divide 
en tres las dimensiones utilizadas para describir las características de los datos. Se 
esquematizan a continuación: 
 

Dimensión Definición 

Orden Orden en el que se exponen los datos. Bien sea cuantitativamente, 
ordinalmente e incluso sin seguir un orden determinado 

Tipo 
Si se dispone de factores de medida o cantidades de datos en función de 
unas coordenadas. 

Dominio Categorías conocidas como el tiempo, espacio, masa… 
Tabla 4. Categorización de las características de los datos impuestas en el sistema de automatización SAGE. 



36 
 

 

Las entradas de datos se categorizan según las anteriores dimensiones, y para cada 
elemento de los conjuntos se tiende a observar unas determinadas relaciones o reglas de 
mapeado, que se basan en las siguientes premisas: 

• Qué elemento de un conjunto de datos tiene al menos otro elemento en común 
con otro conjunto. Es decir, la búsqueda de relaciones como tal. 

• La cantidad de elementos que pueden ser mapeados desde un conjunto de datos 
de procedencia a otro, como bien pueden ser el conjunto de características 
básicas entre dos datos con la misma estructura. 

• Si existe una exclusividad para el mapeado, en caso de que los elementos de un 
conjunto de datos estén estrictamente ligados a otros, como bien puede ser un 
número identificador. 

En el caso que nos ocupa, para la reutilización y adaptación de gráficos en un hueco de 
informe se han de establecer una serie de etiquetas y concebir un lenguaje común entre 
los datos cuantitativos y el contexto. 
 

3.4.1 Etiquetas sintácticas 
De forma general, las etiquetas sintácticas son parámetros que encargan de describir 
cálculos numéricos sobre una población, de modo que se haga referencia a algunos de 
sus aspectos estadísticos y probabilísticos que influyen sobre ella. Así pues, la utilidad 
del dato desde el punto de vista matemático implica que exista cierta distinción entre la 
ciencia de la estadística y la probabilidad [38]. Esto se justifica ya que la estadística 
ofrece compresión y análisis, por un lado; mientras que la probabilidad ofrece una 
predicción y unas posibles consecuencias en base a modelos aleatorios.  
De cualquier forma, se estudian a continuación ambos tipos de etiquetado sintáctico. 

 

3.4.1.1 Etiquetas	estadísticas	
Para comenzar nos centramos en la perspectiva estadística, que permiten entender los 
datos numéricos (o parámetros) presentados de una forma ordenada y, en cierto modo, 
sistemática. Estos conjuntos de datos estadísticos se dividen en cuatro grupos [39].  

Por un lado, las etiquetas sintácticas referentes a la posición de los datos dentro de la 
población dividen un conjunto de datos en grupos con la misma cantidad de muestras. 
Se debe destacar el término: 

• Cuartil: Valor que establece un cuatro de la distribución de datos. En toda 
muestra existen tres cuartiles; de modo que el primero deja un cuarto de 
distribución por debajo, y el tercero deja un cuarto por encima. El segundo, por 
tanto, es precisamente el que establece la mitad de la muestra (mediana) dentro 
de esas cuatro partes proporcionalmente iguales. 

• Percentil: Valor de variable por debajo del cual se encuentra el porcentaje de 
una frecuencia acumulada dentro de la muestra. Por ejemplo, el percentil de 
orden 30 deja por debajo al 30% de los datos de una muestra, mientras que el 
70% quedaría por encima. 

En segundo lugar, las medidas de centralización indican valores con respecto a los que 
los datos parecen agruparse. Éstas son: 



37 
 

• Valor medio: Describe la tendencia central de los datos en base a todas las 
observaciones. Ésta puede verse afectada por los picos de distribución. 

• Mediana: Hace referencia al valor que divide las observaciones en dos grupos 
con el mismo número de muestras. Es conveniente utilizarlo cuando los datos no 
son asimétricos. Equivale al percentil 50. 

• Moda: Equivale a los valores donde la distribución de frecuencia de los datos 
alcanza su máximo.  

Así pues, las etiquetas que marcan la dispersión de una muestra son las que indican la 
mayor o menor concentración de los datos con respecto a las anteriores medidas de 
centralización.  

• Picos de distribución: Son los valores críticos dentro de la muestra, tanto por la 
parte que respecta a valores elevados como a valores bajos. De cualquier forma, 
ambos permiten identificar un posible valor atípico o un error en los inputs.  

• Rangos: Se trata de la diferencia entre los valores mayores y menores dentro de 
una misma población. 

• Varianza: Mide la dispersión alrededor de la media. Cuanto más pequeña sea, 
quiere decir que más concentrados se encuentran los puntos alrededor de dicho 
valor promedio. Sus unidades son el cuadrado de las de la variable, por tanto es 
muy sensible a valores extremos, que se alejan de la media notablemente. 

• Desviación típica: Es la raíz cuadrada de la varianza, y por ello posee la misma 
dimensionalidad que la variable. Cabe destacar dos factores con respecto a esto: 

o Centrando en la media y a una unidad de desviación típica de distancia, 
se tiene más de la mitad (68%) de las observaciones. 

o A dos unidades de desviación típica con respecto a la media se tiene casi 
todas las muestras (95%). 

Por último, las etiquetas sintácticas de distribución se encargan de informar sobre la 
forma en la que se organizan los datos dentro de la población. Aquí destacan: 

• Coeficiente de simetría: Se encarga de medir si la muestra de datos se 
distribuye de igual forma en ambos lados de la media. 

o Si el coeficiente es negativo, la dispersión se vuelca mayoritariamente 
hacia la izquierda de la media. 

o Si el coeficiente es cero, la muestra es simétrica alrededor de la media. 
o Si el coeficiente es positivo, la dispersión se vuelca mayoritariamente 

hacia la derecha de la media. 

 

3.4.1.2 Etiquetas	probabilísticas	
Distinguiendo de lo anterior, las etiquetas probabilísticas comprenden el conjunto de 
datos numéricos que, además de haber realizado cálculos sobre ellos, tienen un 
determinado grado de aleatoriedad. 

Como las etiquetas sintácticas se particularizan por tener varios tipos de variables 
independientes, es completamente necesario determinar los modelos probabilísticos más 
utilizados [40] en la relación de dichas variables. Para ello nos vamos a basar en el 
diagrama de dispersión donde cada punto hace referencia a una muestra, y donde se 
pretende reconocer si existe relación entre las variables, de qué tipo es ésta y la 
posibilidad de predecir el valor de una de ellas en función de la otra [41]. 



38 
 

Por un lado, la correlación comprende el grado de asociación entre dos variables [42]. 
Se expresa mediante un coeficiente (r), que se define según la ecuación 3.2: 

𝑟 =
𝑛 𝑥%𝑦% − 𝑥% 𝑦%

𝑛	 𝑥%)	–	 ( 𝑥%)	
) 			 𝑛	 𝑦%)	–	 ( 𝑦%)	

)	
 

(3.1) 

El rango de valores de r oscila entre -1 y 1, de modo que: 

• Si r=1, existe una correlación positiva perfecta; es decir, una relación directa 
entre las variables. Cuando una aumenta, la otra también lo hace de forma 
proporcional. 

• Si 0<r<1, existe una correlación positiva. 
• Si r=0, no existe relación lineal, por lo que habría que considerar otros métodos 

de interpretar el diagrama de dispersión. 
• Si -1<r<0, existe una correlación negativa. 
• Si r=-1, existe una correlación negativa perfecta, mediante la cual una variable 

indica una dependencia total sobre la otra. Esto es, los cambios en una variable 
implican un cambio directamente proporcional en la otra variable. 

Así pues, la técnica de correlación no se trata de forma aislada ya que existe un método 
estrechamente ligado a éste y, de hecho, ambos son considerados como dos aspectos de 
un mismo problema. Este método no es otro que la regresión. 

La regresión lineal es una técnica que cuantifica la relación en un diagrama de puntos 
dispersos correspondientes a dos variables con tendencia rectilínea. El ajuste de la 
relación sigue la ecuación: 

𝑦 = 𝑎 + 𝑏𝑥 
(3.2) 

Donde “y” es la variable dependiente representando el eje vertical del gráfico y “x” es 
independiente mostrando la coordenada horizontal. No obstante, la ecuación 3.1 puede 
generalizarse para el caso en el que haya más de una variable independiente. Esto se 
denomina regresión lineal múltiple, y cada en ella cada variable tendría un coeficiente 
de regresión (coeficiente “b”), que indica la pendiente de la recta en el diagrama de 
dispersión; así como un intercepto (coeficiente “a”), que puede ser negativo, positivo, o 
cero. A partir de estos valores es posible trazar a lo largo de los puntos dispersos de un 
gráfico la línea recta que mejor se ajusta a cada una de las variables independientes. 
Una de las formas más eficientes de concretar la bondad de la estimación de la regresión 
lineal es mediante el método de los mínimos cuadrados, que consiste en calcular la 
suma de las distancias al cuadrado entre los puntos reales y los definidos por la recta 
estimada; de modo que la mejor estimación es la que minimiza estas distancias.  

Por otro lado, la regresión logística [43] se utiliza para determinar cómo una serie de 
factores influyen en una categoría dicotómica; o lo que es lo mismo, comparar los 
sucesos en base a dos posibilidades. Para ello, se tiene una o más variables 
independientes (xi) y una variable dependiente dicotómica (y) que informan sobre la 
probabilidad final.  
Para poder interpretar el resultado del modelo de regresión logística se debe recurrir al 
concepto de “odds”, ya que es la probabilidad de presentar una característica o no 
presentarla, medida según el cociente de la ecuación 3.3: 



39 
 

𝑜𝑑𝑑𝑠 = 	
𝑝

1 − 𝑝
	 

(3.3) 

Esta medida es muy flexible ya que se pueden comparar dos odds en forma de ratio para 
conocer si las muestras que poseen (o no) una característica determinada, también (o 
tampoco) poseen otra característica. Esta razón de productos cruzados es lo que se 
denomina el odds-ratio (OR). 
Para el caso de la regresión logística, la opción más comúnmente usada para comprobar 
la efectividad es el método de máxima verosimilitud, mediante el cual básicamente se 
mide a partir de los datos de la muestra cuánto más probable es un modelo frente al otro, 
mediante la diferencia de los cocientes de verosimilitud de dichos modelos.  
  

3.4.2 Etiquetas semánticas 
Las etiquetas semánticas componen la información sobre el significado de los datos. Es 
decir, traducen las anteriores etiquetas sintácticas en un lenguaje apropiado al contexto 
en el que se toman. Este tipo de etiquetas se encuentran estrechamente ligadas al 
término de Thick Data [44], que defiende la idea de que los números no son totalmente 
suficientes para una interpretación real de cara a un usuario, por lo que se han de buscar 
una terminología personalizada en base al contexto. 

Es por ello que las etiquetas semánticas, en conjunto con las etiquetas sintácticas 
descritas anteriormente, tienen un potencial tremendamente valioso.  

• Por un lado, permiten crear un contexto y obtener conocimiento desde el punto 
de vista de las etiquetas sintácticas de valor estadístico, mediante el análisis 
exhaustivo de los conjuntos de datos y la detección de anomalías en ellos.  

• Por otro lado, dotan de valor a las etiquetas sintácticas probabilísticas al permitir 
al usuario final la realización de estimaciones y comprensión de lo que en 
ocasiones se puede intuir de manera errónea. 

Se puede afirmar que las etiquetas semánticas, por tanto, hacen que nuestros conjuntos 
de datos vayan más allá, que tengan sentido y sean capaces de completar los huecos 
vacíos que las etiquetas sintácticas dejan en un contexto. Al fin y al cabo, no tiene 
sentido visualizar datos de forma cuantitativa si se carece de una parte cualitativa capaz 
de proporcionar dimensiones optimizadas a un entorno particular [45].  
El manejo de estas etiquetas resulta totalmente clave en cualquier aplicación del campo 
de la investigación. Mediante ellas se proporciona conocimiento, por ejemplo, sobre las 
razones y/o motivos por las que una persona sufre una enfermedad; o bien las 
características sociales que hacen que esta persona se relacione con otro prototipo de 
paciente que sufre otra enfermedad asidua.1 

 

3.5 Caracterización de gráficos  
Una vez conocida la estructura interna de los datos se puede dar paso a la 
caracterización del material visual que complementa las etiquetas previamente descritas. 
Tal y como se ha comentado en el segundo capítulo, un gráfico construido y elegido 
correctamente implica una gran facilidad para contar una historia de un solo vistazo; no 
obstante, cabe decir que esta tarea no siempre resulta ni mucho menos fácil. La 



40 
 

visualización de información siempre se encuentra ligada a un objetivo específico, y 
esto depende estrictamente del ámbito en el que se encuentren los conjuntos de datos en 
cuestión. 

De forma general [46], una herramienta DataViz se considera efectiva cuando cumpla 
las siguiente premisas de cara al público: 

• Facilitar la coherencia de la información para extraer conocimiento del conjunto 
de datos en cuestión. 

• Incorporar mecanismos de percepción humana en sus técnicas de visualización 
para una optimización de las funcionalidades. 

• Capacitar la presentación de la información en base a su contexto. Esto es, 
relacionar etiquetas sintácticas y semánticas. 

• Aumentar el nivel de claridad de la exposición a la vez que disminuye el tiempo 
requerido para dar valor a los datos. 

Para el cumplimiento de las mismas, en este trabajo se proponen varios tipos de 
funciones de visualización para comunicar los datos en un informe, con diversos tipos 
de gráficos apropiados al mensaje que se pretende transmitir. Esta metodología se 
esquematiza mediante la siguiente figura: 

 

 
Figura 19. Esquema de tipos de funciones de visualización a transmitir en un informe y gráficos asociados. 

 

El mensaje a transmitir es totalmente dependiente de la caracterización de estos 
gráficos, y de forma directa esto se puede enlazar con la capacidad de percepción 
humana y la teoría del color analizados en el apartado 2.4, pues el don de adaptación de 
un gráfico se basa en la estrecha relación que guardan estos conceptos. Entre las reglas 



41 
 

generales más comunes para la correcta reutilización genérica de los elementos visuales 
se destacan las siguientes premisas: 

• Las líneas de ejes han de tener un grosor mínimo pero visible, en colores 
oscuros y donde se indique la granularidad adecuada a los valores de la métrica 
o dimensión a mostrar en el mismo.  

• Además, la textura que conforme el fondo de 2 ejes tiene que estar compuesto 
por líneas de color también oscuro pero distinguibles totalmente de los ejes, 
creando una rejilla totalmente simétrica y con orientación vertical y horizontal. 

• En caso de querer indicar cálculos estadísticos y/o probabilísticos se debe 
suprimir la textura del fondo del gráfico e insertar modelos de líneas señalando 
los valores destacables, eso sí, con un grosor superior al de los ejes e incluso 
jugando con la separación discontinua de su forma. 

• También los elementos de las conexiones y las cajas se han de distinguir de los 
ejes y otras líneas estadísticas, pudiendo aumentar el grosor en los bigotes para 
destacar valores atípicos.  

• El tamaño y posición de las formas que representan valores útiles cuantitativos 
ha de ser el suficiente para distinguir las categorías, pero teniendo en cuenta el 
número de formas que se incluyen en el gráfico con tal de que no se solapen 
entre sí. 

Una vez visto esto, a continuación se da paso a la explicación de los principales tipos de 
material visual nombrados en la figura 19 y que se pueden utilizar en nuestras técnicas 
genéricas de adaptación de gráficos. Cabe decir que en este proyecto se utilizan las 
funciones de visualización proporcionadas en The Data Visualization Catalogue [47] 
pues ofrece una lista de gráficos categorizados por sus funcionalidades en cuanto a 
representación y tipo de mensaje que se pretende transmitir a la audiencia con dicho 
gráfico.  
Cabe destacar que la elección de este catálogo como referencia no supone un patrón 
definitivo, pues no existe ninguna guía que establezcan la relación entre los gráficos y 
sus funcionalidades a modo de última instancia. No obstante, bien es cierto que los 
métodos sugeridos en el catálogo mencionado se adaptan muy adecuadamente a las 
necesidades de una comunicación. Es por ello que seguidamente se explican y 
ejemplifican los modelos de anatomía de cada uno de ellos. 
 

3.5.1 Gráficos de barras 
En primer lugar, los diagramas de barras proporcionan cierta versatilidad en 
comparaciones nominales gracias a la longitud de las barras, siguiendo un orden entre 
distintas categorías. Un eje del gráfico distingue las distintas categorías que se 
comparan, mientras que el otro muestra los valores en formato discreto. A pesar de 
poder tener un aspecto similar a un histograma, se distinguen claramente ya que éstos 
muestran no muestran información categórica sino sólo la evolución continua de una 
única variable numérica. 

Esta comparación se muestra con sus respectivas anatomías, en la figura 20: 
 

 
 



42 
 

a)                   b) 

 
Figura 20. Anatomía de un gráfico de barras (a) y un histograma (b). 

 

De esta forma, si esto se orienta por ejemplo de cara a un control de consumo 
alimenticio, el diagrama de barras de la figura 20 a podría representar la cantidad de dos 
categorías de comida consumidas, por ejemplo, frutas y lácteos, distinguiendo con 
colores de un mismo tono jugando con la saturación y luminancia. Por otro lado, el 
histograma de la figura 20 b sería totalmente influenciado por la variable temporal y 
resultaría adecuado para contemplar cómo un segmento de la población consume, en 
cantidades, un tipo de alimentos con el paso del tiempo, para lo cual se podría utilizar 
un único tipo de color. 

Entre algunos errores comunes en este tipo de gráficos destacan la representación del 
valor promedio de una categoría, el hecho de utilizar demasiadas categorías, y por 
último, no mantener un orden de los valores de mayor a menor. 
 

3.5.2 Gráficos de líneas 
Por su parte, los diagramas de línea se utilizan para representar valores cuantitativos 
sobre un determinado intervalo, y es por ello que normalmente muestran tendencias y 
analizan cómo los datos evolucionan, principalmente, en una serie temporal. 
Para ello, se parte de un sistema de coordenadas cartesiano donde el eje Y posee los 
valores cuantitativos y el eje X representa la escala de tiempo. La dirección de las líneas 
del gráfico es el propio indicador de tendencia, de modo que una pendiente positiva 
significa un incremento, y una pendiente negativa un decremento de los valores 
cuantitativos. Esto facilita la interpretación de tendencias entre distintos patrones y su 
similitud en la línea del tiempo. 
Así pues, si en un mismo gráfico se agrupan distintas líneas planas, se pueden comparar 
entre sí diferentes series de datos y por consiguiente conseguir un contraste entre sus 
tendencias. Por otro lado, si lo que se quiere es ver el desglose de las series de datos 
dentro de una misma variable, es muy recomendable representar cada una de las líneas 
con un área de color en el fondo de modo que las series de datos queden apiladas entre 
sí distinguiendo claramente el desglose con respecto a dicha variable. 



43 
 

La comparación de estas dos funcionalidades se muestra mediante la siguiente figura: 

a)                   b) 

 
Figura 21. Anatomía de un gráfico de línea plano (a) en comparación con uno de áreas apiladas (b). 

 
De esta forma, si por ejemplo se sigue el control de un paciente en sus niveles de 
glucosa, el diagrama de líneas de la figura 21 a podría representar con exactitud qué 
niveles se tiene remarcando incluso dónde se encuentran los niveles máximos y qué 
valores típicos de población se tienen. Por otro lado, las líneas apiladas de la figura 21 b 
resultarían útiles para destacar los niveles de un par de pacientes utilizando tonos de 
color completamente distintos, y así poder hacer una comparación además de una 
evolución, permitiendo incluso obtener patrones de los niveles de glucosa si los 
pacientes se caracterizan por tener cierta similitud en el contexto.  
Cabe destacar que, tanto para el gráfico de líneas plano como apilado, existe un error 
común: la representación de demasiadas líneas de datos por gráfico. La utilización de 
más de 3 o 4 series no se traduce en una interpretación concisa por parte del usuario, 
sino que crea un exceso de puntos y colores, y tiende a crear confusión.  
Una opción para solventar esto es representar cada una de las múltiples series de datos 
en un gráfico aparte de dimensiones reducidas y siempre jugando con dos o tres colores 
complementarios entre sí para que, al mostrarlos en paralelo, se consiga una mejor 
apreciación de las tendencias de cada una de las series de datos y se diferencien las dos 
o tres métricas. 

 

3.5.3 Gráficos de caja 
En tercer lugar, los diagramas de caja son muy convenientes para visualizar la 
distribución de datos con respecto a cuatro partes. Por un lado, las tres líneas que 
comprenden la caja son, en orden: primer cuartil, segundo cuartil (o mediana) y tercer 
cuartil. Por otro lado, las líneas extremo de la caja (bigotes) son el pico mínimo y el 
pico máximo de la distribución; y algunos puntos aislados permiten hacer 
comparaciones con los valores críticos de las series de datos. 

Esto se plasma en la figura 22: 



44 
 

 
Figura 22. Anatomía de un gráfico de caja. 

 
Cabe decir que este tipo de gráficos son supletorios de otras formas – como por ejemplo 
rectángulos o circunferencias – que representan los elementos pertenecientes a la 
distribución, tratándose las cajas como forma de análisis estadístico. Es por ello que, al 
complementarse con otras formas, el diagrama de cajas se caracteriza por tener colores 
monocromáticos y normalmente situados en la escala de grises, para así posicionarse en 
el frente del gráfico y a su vez no interrumpir a los otros. 
Así pues, este tipo de gráficos optimizan la visualización de simetrías dentro de una 
serie de datos y, si se comparan múltiples series, se pueden contrastar las distribuciones 
de datos y los puntos críticos dentro de una población. Es por ello que pueden ser 
utilizados para mostrar desviación y así ser una alternativa muy aceptable a los gráficos 
de barras. 

Por poner un ejemplo, este tipo de gráficos sería interesante en un elemento cuantitativo 
como bien es el nivel de sodio en la sangre. Mediante un diagrama de caja y bigotes 
sería posible contemplar la distribución de estos niveles y se distribuyen en el sistema 
sanguíneo de un organismo, contemplando los valores normales de la distribución, si 
está sesgado, si existen valores atípicos, y otros conceptos estadísticos personalizados. 
 

3.5.4 Gráficos de dispersión 
Por otro lado, los gráficos de dispersión son utilizados para determinar la correlación 
entre dos variables. Una de las variables se posiciona en el eje X mientras que la otra se 
posiciona en el eje Y, quedando los puntos en las coordenadas correspondientes del 
espacio cartesiano de acuerdo a dichas variables. 

El aspecto puede ser, por ejemplo, según se muestra en la figura 23, donde la recta de 
regresión lineal establece el ajuste de la relación entre variables. 



45 
 

 
Figura 23. Anatomía de un gráfico de dispersión. 

 
Cabe destacar que para el uso de este tipo de gráficos se ha de tener claro que las 
variables tomadas no son influidas por otras. Si estas dos variables se pueden parear de 
forma aislada es posible obtener un buen nivel de información de la relación de las 
variables en dos niveles: 

1. La forma en la que la dispersión crea correlación entre las variables, que 
realmente puede ser lineal (positiva o negativa), no lineal, o ni siquiera existir. 
En caso de existir, la forma de la dispersión se traduce en la tendencia de la 
población con respecto a dichas variables, lo cual resulta de utilidad para crear 
aproximaciones mediante regresión. 

2. El nivel de correlación entre los propios datos, de modo que, si los puntos 
dispersos se encuentran próximos entre sí, existe una mayor correlación que si 
están separados en el espacio. Es por ello que no existirá correlación cuando los 
puntos se encuentren totalmente dispersos por el espacio cartesiano. 

Así pues, un ejemplo que podría abarcar este tipo de gráficos y que además resulta muy 
común es la búsqueda de relación entre peso y altura. Si se traza en el eje Y el peso y en 
el eje X la altura, se podría comprobar cada cuántas unidades de altura aumentan las 
unidades de peso y determinar por tanto el nivel de correlación entre estas dos variables 
para un segmento de población en concreto, así como los casos aislados que existen en 
la misma. 

 

3.5.5 Gráficos de burbujas 
Un tipo de gráficos funcionalmente similar al anterior es el gráfico de burbujas, aunque 
con dos notables diferencias. Por un lado, los puntos aquí se convierten en burbujas y 
éstas se categorizan por colores que siguen una regla de analogía (mostrados en una 
leyenda) para así tener una clasificación de las series de datos que realmente se quieren 
comparar en base a las variables. Por otro lado, el diagrama de burbujas permite añadir 
una variable extra al espacio de coordenadas cartesiano, la cual viene determinada por el 
área de la burbuja y establece una comparación entre elementos de la misma categoría. 

Esto se puede contemplar en la figura 24: 



46 
 

 
Figura 24. Anatomía de un gráfico de burbujas. 

 

Un ejemplo de utilización en este tipo de gráficos podría ser la búsqueda de 
comparaciones entre distintas dimensiones dentro de varios pacientes. Esto es, 
estableciendo en los ejes vertical y horizontal dos métricas, se podría jugar con atributos 
dentro de una misma población y asociarlos a otras métricas y dimensiones. Sin ir más 
lejos, comprobar cómo el peso y la altura (ejes vertical y horizontal respectivamente) 
juegan un determinado papel en un segmento de población donde existen personas 
intolerantes a la lactosa (caracterizado por el color de las burbujas) y con un 
determinado nivel de glucosa (caracterizado por el tamaño de las burbujas). 

Así pues, un diagrama de burbujas correctamente representado permite incluso 
establecer patrones entre categorías y correlaciones entre las variables de una población; 
no obstante, es importante asegurarse de que no existan demasiadas burbujas para no 
saturar la interpretación del usuario. Una forma de paliar este problema es incluyendo 
en el gráfico la posibilidad de interacción por parte del usuario y selección de categorías 
a comparar. 

 

3.5.6 Gráficos de pastel 
Por otro lado, los gráficos de pastel son diagramas circulares muy útiles para hacer 
énfasis en las diferencias proporcionales entre categorías y así permitir al usuario 
visualizar las relaciones entre éstas y la cantidad total de datos. 

Para ello, las categorías se caracterizan por colores y la proporción de datos con 
respecto al total es un trozo de “pastel” cuya área viene determinada por el arco radial. 
Esto quiere decir que la cantidad de una categoría con respecto al total se puede mostrar 



47 
 

como un porcentaje dentro del gráfico, y la dimensión de esta proporción se obtiene 
convirtiéndola a grados y teniendo en cuenta que la totalidad del pastel son 360 grados. 
Un ejemplo de este gráfico se muestra en la siguiente figura: 

 
Figura 25. Anatomía de un gráfico de pastel. 

 
Como principal punto débil, este tipo de gráfico no resulta conveniente para mostrar 
demasiadas categorías ya que el tamaño de los “trozos del pastel” se ven reducidos en 
exceso. Además, hay que tener en cuenta que se tratan de forma aislada, ya que una vez 
comparar un gráfico de pastel con otro no tiene demasiado sentido, pues visualmente se 
pierden las proporciones.  

Ejemplos de utilización estarían enfocados a: distinguir el género de una determinada 
población, jugar con los rangos de edad (sin excederse en número), clasificar según tres 
o cuatro niveles el estado de una enfermedad, etc... 
Es por ello que los gráficos de barras convencionales y de área apilada pueden resultar 
más útiles para comparar categorías, y probablemente optimicen más el espacio de 
muestra de los datos. 

 

3.5.7 Diagrama de Venn 
Un tipo de gráfico capaz de representar las relaciones lógicas entre conjuntos de datos 
son los diagramas de Venn. Cada conjunto de datos representa una categoría distinta, y 
estas categorías se plasman mediante circunferencias que separan sus datos en dos 
partes: por un lado, la parte que corresponde con la intersección del resto de categorías; 
y por otro, la parte que por el contrario no corresponde con otra categoría. 

Esto se convierte en una relación de datos entre categorías, tal y como se muestra en la 
figura 26: 



48 
 

 
Figura 26. Anatomía de un gráfico de Venn. 

 
Así pues, el área de intersección entre las circunferencias es el área de solape que indica 
un grupo de características en común entre categorías. Generalmente el número de 
categorías suele rondar entre 2 y 7, ya que a partir de ese número podría generarse una 
geometría demasiado compleja de interpretar. También hay que tener muy en cuenta el 
uso de colores en este tipo de gráficos, pues la zona de solape debe quedar totalmente 
diferenciada del exterior de las circunferencias.  
Un ejemplo de aplicación del diagrama de Venn se podría encontrar en la cantidad de 
pacientes que sufren una enfermedad (determinados por una circunferencia) y a la vez 
sufren otra.  

 

3.5.8 Mapa de árbol 
En otro lugar, los mapas de árbol resultan una forma de categorizar la información de 
forma proporcional mediante áreas rectangulares y además crear subcategorías de forma 
que se puedan mostrar jerárquicamente las dimensiones del conjunto de datos en 
cuestión.  
 



49 
 

 
Figura 27. Anatomía de un diagrama de árbol. 

 

Tal y como se observa, el tamaño de área de cada uno de estos rectángulos varía en 
función de la cantidad de datos que pertenezcan a su categoría correspondiente, por lo 
cual representa de manera perfecta la proporcionalidad de estas categorías. Otro aspecto 
muy importante es el color, que puede caracterizar otro tipo de dimensión siempre y 
cuando no se exceda demasiado, pues la heterogeneidad de dicha dimensión en la 
jerarquía podría causar confusión en los rectángulos, por lo cual es recomendable 
utilizar colores que cumplan la regla de analogía. 
Además, también se puede ver que la categoría A se puede dividir según B y C, que a su 
vez tienen asociadas más subcategorías. El tamaño del área de la categoría padre es el 
total de subcategorías, de modo que si no se asocia cantidad a una subcategoría el área 
se divide de forma equitativa entre las otras. 
Por ejemplo, para investigar las causas de una enfermedad en un determinado segmento 
de pacientes se podría partir de dos tipos de síntomas y a raíz de esto ir descendiendo el 
nivel de jerarquía hasta que se concrete el nivel punto de origen de las causas. Aquí se 
jugaría con el tamaño de los bloques en función del número de pacientes y existiría la 
posibilidad de añadir mediante el color una dimensión auxiliar que permitiera analizar 
estas causas de enfermedad. 
 



50 
 

3.5.9 Mapa geográfico 
Por último, un tipo de gráfico particular que cabe destacar es el mapa geográfico. Este 
tipo de visualización es apropiada para dividir variables según regiones, existiendo una 
alta flexibilidad en la disposición de estas variables. 

Por un lado, los datos se pueden mostrar coloreando las regiones geográficas para 
compararlas en función de un determinado rango de valores de una misma variable. Los 
colores que se suelen utilizar para esto son paletas correspondientes a uno o dos tonos 
jugando con la saturación y luminancia, para así tener un espectro visualmente 
reconocible desde el punto de vista cuantitativo. 
Se representa este caso sobre la figura 28: 

 
Figura 28. Anatomía de un ejemplo de mapa geográfico. 

 
Un punto crítico en el tipo de mapa geográfico mostrado en la figura 28 es que el 
espectador tiende a relacionar de forma preconsciente las regiones más extensas con un 
valor o rango de valores más elevado que una región más reducida. Es por ello que los 
valores destacables en regiones pequeñas tienen dificultad de ser correctamente 
interpretados. 

Una forma de paliar esto en un número reducido de regiones es mediante etiquetas 
numéricas que muestren las cantidades de la variable a representar. Estas etiquetas se 
engloban en burbujas para contemplar las proporciones entre cada una de las regiones. 
El hecho de verse limitado a una cantidad reducida de regiones se debe al posible solape 
entre burbujas. 
Se muestra este otro caso en la figura 29: 

 
Figura 29. Anatomía de un ejemplo de mapa geográfico. 



51 
 

Así pues, mediante la anatomía de la figura 28 se podría plasmar el nivel de riesgo por 
región en el desarrollo de una enfermedad; mientras que gracias a la anatomía que se 
corresponde con la figura 29 se podría representar el número exacto de pacientes por 
región que ya posee una determinada enfermedad. 
 

3.6 Recapitulación de la metodología genérica propuesta 
Mediante este capítulo se constata una metodología CBR genérica que puede ser 
implementada en cualquier dominio donde la tarea principal a resolver sea la 
recuperación de plantillas de informes; y a modo de sub-tarea dentro de este ciclo CBR 
general, se tenga como enfoque el poder reutilizar y adaptar elementos visuales acordes 
a los huecos de cada tipo de informe. Tal y como ya se ha dicho, este sub-ciclo CBR es 
precisamente la parte que abarca el proyecto. 

Así pues, a pesar de haberse tratado en este capítulo la metodología de una forma 
totalmente genérica, en el siguiente se explica y analiza el experimento llevado a cabo 
en este proyecto y que supone la prueba de concepto de esta metodología. Este caso 
práctico permite particularizar el sub-ciclo CBR de reutilización y adaptación de 
elementos gráficos en el dominio de la Medicina del Deporte, concretamente en el 
entorno de análisis de pruebas EMG. 



52 
 

Capítulo 4. Caso práctico de estudio y aplicación 

La metodología comentada en el capítulo anterior podría tener como aplicación 
cualquier caso de generación de informes en el que se tenga como objetivo prioritario el 
hecho de reutilizar gráficos que combinen fuentes con datos personales y señales 
generadas. Mediante este cuarto capítulo se estudia el caso práctico tratado en el 
proyecto: la electromiografía como método de evaluación de los músculos cervicales y 
por consiguiente como fundamental técnica de trabajo entre los especialistas del campo 
de la Medicina del Deporte. 
 

4.1 mDurance 
En el transcurso de este proyecto se cuenta en todo momento con el soporte de una 
entidad, mDurance [48], cuyas líneas de trabajo se encuentran enfocadas a la salud 
digital. La herramienta propia de mDurance se dedica a la medición, evaluación y 
verificación del estado de los músculos mediante EMG para orientar los resultados a los 
profesionales de la salud física, el deporte y el bienestar en general. Ofrece un sensor 
portátil de electromiografía, una aplicación móvil para Android, almacenamiento Cloud 
y análisis de datos a través de una aplicación web. 
El esquema de funcionamiento del sistema se puede contemplar a continuación: 

 

 
Figura 30. Esquema de funcionamiento del entorno de salud digital mDurance. 

 

Como se puede observar en la figura 30, mDurance basa su mecanismo en la 
adquisición de la señal electromiográfica mediante un dispositivo colocado en el 
deportista/paciente que actúa como sensor a través de cinco electrodos. Seguidamente, 
estas señales se procesan y se filtran de ruido para almacenar los datos en el Cloud, 
además de proporcionar contenido gráfico en la plataforma para la visualización de 
dichos datos.  



53 
 

El poder real de estos datos consiste en que el experto pueda comprenderlos de forma 
precisa e interpretar los resultados para verificar anomalías musculares, evaluar el 
rendimiento muscular y detectar asimetrías musculares, entre otras muchas utilidades. 

 

4.2 Exploración del contenido de la plataforma as-is 
Llegados a este punto es importante que, antes de procesar, analizar y/o representar los 
datos tomados a los pacientes en nuestro estudio, es conveniente dar un repaso a la 
plataforma inicial de mDurance para explorar las funcionalidades y la forma que tiene 
de ofrecer los datos, y contrastar también con el abanico de necesidades que pueden 
surgir a un experto médico tras la obtención de datos procedentes de una prueba EMG. 

 

4.2.1 Exploración de los modelos de informes iniciales 
Hasta el momento mDurance trabaja con algunos prototipos de plantillas de informes 
mediante las cuales se ayuda a los profesionales médicos en la toma de decisiones, tanto 
en el diagnóstico como en el tratamiento de una posible patología. Es por ello que las 
entradas de datos que se sugieren en dicha plantilla deben proporcionar la información 
completa de la prueba realizada al paciente, tanto desde el punto de vista sintáctico 
como semántico. 
Los prototipos de informes se muestran en la figura 31, y las distintas partes en las que 
se desglosan pueden resumirse en: 

• Tipo de informe mediante el cual se describe la prueba muscular, el paciente en 
cuestión, la fecha y la caracterización del usuario al cual se dirige (como bien 
puede ser un doctor, el propio paciente o un científico de datos). 

• Las principales funciones del informe, el estado actual del paciente, su 
evolución, así como una comparación con el contexto para cubrirse en caso de 
detección de fraude. 

 

     
Figura 31. Prototipos de informes utilizados inicialmente en la plataforma de mDurance. 



54 
 

 

Desde un punto de vista funcional, se puede comprobar que estos informes iniciales 
explican correctamente los datos y permiten a un usuario deportista no experto en el 
campo de la medicina el hecho de poder verificar anomalías musculares, evaluar el 
rendimiento de los músculos y detectar asimetrías en ellos.  

No obstante, estas explicaciones visuales son generadas de forma aislada; es decir, no se 
encuentran asociadas a un contexto en el que se muestren unos patrones personalizados, 
ni tampoco plasma una evolución temporal, ni mucho menos la explicación del motivo 
por el cual el paciente en cuestión posee (o no) una patología igual (o distinta) al resto 
de pacientes que poseen unas características contextuales parecidas. 
Es por esto que existe un área de mejora muy interesante a la hora de presentar y 
comunicar los datos de forma efectiva en nuestro caso de estudio de mDurance. Los 
datos sintácticos de los pacientes interpretados a modo de señales EMG se pueden 
relacionar con la información semántica (o contextual) del mismo u otro paciente, así 
como con otras características poblacionales.  

Esto se traduce en un grado de personalización más elevado ya que el consumidor del 
informe puede poseer distintos puntos de comparación y comprender así cómo los datos 
se relacionan bajo determinados factores dentro del contexto de la electromiografía. 
 

4.2.2 Exploración de contenido de datos 
La plataforma de mDurance expone sus datos en función de secciones bien separadas. 
Se describen a continuación. 

Por un lado, el apartado de estadísticas es el más general y en él se muestra el número 
de pruebas clasificadas según ciertos aspectos comunes entre la población de pacientes, 
como bien son la edad, el sexo y el estado muscular; mostrado la totalidad y el 
porcentaje de la suma de pruebas. 

Por otro lado, El apartado de usuarios almacena algunos datos básicos acompañado de 
un pequeño resumen donde se dispone de las pruebas realizadas para cada uno de los 
pacientes. 

• Datos físicos del paciente, como su IMC, peso, condición física y observaciones. 
• Registro de valores para cada una de las pruebas realizadas, con la opción de 

filtrar por músculo y unidad (microvolts, milivots y %). Entre los parámetros se 
encuentran los siguientes: 

o Tiempos de duración. 
o Promedio del nivel de actividad muscular (RMS). 
o Promedio del nivel de actividad muscular por segundo (RMS/s). 
o Máximo nivel de contracción muscular (MVC). 

Por último, se encuentra el apartado que unifica toda la base de datos de las pruebas 
realizadas por cada uno de los pacientes. Aquí se listan cada una con información sobre 
la fecha de realización, el paciente, el tipo de prueba y todos los parámetros tomados en 
el experimento. Estos parámetros no solamente definen en mayor profundidad la 
condición muscular del paciente, sino que también poseen los niveles neuromusculares 
de la prueba EMG. Esto se resume en: 

• Datos físicos del paciente, como su IMC, peso, condición física y observaciones. 



55 
 

• Duración de la prueba y detalles de los dos músculos evaluados: 
o Nivel de dolor. 
o Nivel de fatiga muscular. 
o Sufrimiento de lesión. 

• Registro de la actividad muscular llevada a cabo en la prueba EMG, donde 
también se permite filtrar por unidad (microvolts, milivots y %). Se divide en los 
siguientes puntos: 

o Rango de movimientos, donde se muestran la continuidad de los ángulos 
asociados a la actividad muscular en ventanas temporales de 0,05 
segundos. 

o Distribución de los niveles de tensión muscular en ventanas temporales 
de 0,05 segundos. 

o Reclutamiento de fibras musculares, donde se muestra la distribución de 
los niveles de tensión en ventanas temporales de 0,91 segundos. 

• Distribución de la actividad muscular que ha ejercido cada uno de los músculos 
en la ejecución de la prueba, para así determinar también el grado de asimetría 
de éstos. 

• Por último, se recogen algunos valores promedios para cada uno de los dos 
músculos evaluados en el experimento. Entre ellos se encuentran el RMS, 
RMS/s, así como el máximo contracción de esta prueba y del histórico de 
pruebas. 

A modo de síntesis, en esta exploración se observan una serie de carencias que hacen 
que mDurance no explote toda su funcionalidad en este aspecto. La principal causa 
radica en que la cantidad de etiquetas de contexto no es lo suficientemente amplia, ya 
que el máximo nivel de abstracción que se tiene es el dolor del paciente y su condición 
física. No se inspeccionan las causas de estos dolores mediante la comparación con 
otras etiquetas contextuales, ni tampoco se buscan patrones de correlación con datos 
sintácticos. 
Por tanto, constatamos que el modelo de caracterización de datos propuesto en el 
presente proyecto y descrito en el apartado 4.6 no solamente incluye estas etiquetas de 
datos, sino que también se encarga de complementarlas con otras etiquetas y mediante 
la representación gráfica buscar patrones que expliquen la relación entre características 
sintácticas de la manera más eficiente posible. 

 

4.2.3 Exploración de elementos visuales 
De forma general, mDurance expone los datos anteriormente mencionados a través de 
elementos visuales, viéndose suplementados con etiquetas de texto y breves 
descripciones sobre los valores que resultan más comunes.  

Desde el punto de vista del diseño gráfico, el estado actual de la plataforma digital 
dispone de múltiples puntos que son susceptibles de mejora. El punto más destacable es 
la escasa variedad de gráficos utilizados. En realidad, únicamente son implementados 
gráficos genéricos de líneas, para la representación de señales en el tiempo; de barras, 
para cuantificar datos y compararlos; y de pastel, para mostrar proporciones. 
A continuación, se comentan algunos ejemplos de elementos visuales donde se detectan 
otros puntos débiles importantes en esta generación de gráficos. 



56 
 

En primer lugar, no se estructuran los gráficos de forma que se aprovechen en su 
totalidad, sino que ciertas capacidades funcionales se dejan “vacías”. Sin ir más lejos, en 
la siguiente figura se puede observar que se muestra un solo color que determina el 
número de pacientes. Esto en realidad no tiene mucho sentido ya que el número de 
pacientes debería de ser cuantificable, y un color no lo es. El número de pacientes se 
muestra en el eje vertical, mientras que el atributo del color es una capacidad del gráfico 
muy aprovechable para mostrar otras características de los pacientes.  

 

 
Figura 32. Representación as-is del número de pruebas por edad del paciente. 

 
En segundo lugar, existen otros detalles en la representación de los ejes como por 
ejemplo la acumulación de números en cada una de las líneas temporales del eje 
horizontal, lo que causa al visualizador incapacidad para detectar el patrón de la serie 
temporal. Además, imposibilita el hecho de poder hacerse una idea del transcurso de los 
movimientos FRP de forma preconsciente, ya que es necesario indagar en cada uno de 
los puntos del eje horizontal para poder asimilar los instantes de tiempo. 
Se muestra a través de la figura 33: 

 

 
Figura 33. Representación as-is del RMS en una prueba de paciente. 



57 
 

 

En tercer lugar, es importante destacar también la existencia de un abanico de colores 
altamente limitado. En los gráficos de barras, se juega prácticamente en todo momento 
con el color magenta, lo cual supone una visualización demasiado monótona para el 
espectador. 

Esto se puede apreciar en la figura siguiente: 
 

 
Figura 34. Representación as-is del MVC por cada prueba que un paciente realiza. 

 
Por último, también se puede destacar la ausencia de una paleta de colores determinada. 
En su lugar, los colores se mezclan sin seguir un patrón claro, se repiten tonos de 
colores, y no se aprovecha en ningún momento de dos componentes clave dentro de la 
teoría del color como son la saturación y la luminancia.  
Esto provoca que en ocasiones donde se tienen demasiados valores, se (se mezclan sin 
sentido, se repiten colores) lo cual supone que la visualización en ciertas ocasiones sea 
algo monótona e incluso tediosa. 

Lo vemos en el gráfico de pastel de la figura 35: 
 

 
Figura 35. Representación as-is del número de pruebas según el estado físico del paciente. 



58 
 

4.3 Experimentación 
El propósito principal a partir de este punto comprende el estudio y potencialización de 
los componentes visuales de la herramienta de salud digital mDurance. Para ello, el 
proyecto en sí se basa en un experimento mediante el cual en primera instancia se 
pretende explotar la funcionalidad as-is de dicha herramienta para a posteriori potenciar 
su evolución to-be desde la perspectiva DataViz. 

En el presente experimento se sigue la metodología descrita en el capítulo 3, mediante 
la cual se propone generar explicaciones visuales personalizadas en plantillas de 
informes de manera automática y con la opción de aprendizaje a través del 
comportamiento interactivo del profesional de la medicina del deporte. 

Previamente al análisis de las formas de visualización llevadas a cabo en el proyecto, 
conviene justificar este contexto, la muestra de población que participa en el estudio, así 
como el material utilizado y las pruebas realizadas a cada uno de los pacientes. 
 

4.3.1 Características del estudio 
El presente experimento tiene como punto de origen un problema de salud muy común 
en la población y que lleva de la mano múltiples líneas de investigación. Éste no es otro 
que el dolor cervical [49], y es de tal importancia que supone un factor de riesgo desde 
el punto de vista físico, psicosocial e individual, categorizándose en la sociedad 
mediante factores de todo tipo y también hábitos donde se precisen posturas estáticas 
prolongadas y/o intensas. 

De hecho, algunos de los estudios más comunes llevados a cabo años atrás han 
demostrado que los resultados en este tipo de ejercicios cervicales no son los mismos en 
muestras de pacientes donde varía la edad, el género [50], el estrés rutinario, la 
ocupación [51], o incluso determinados hábitos de vida como el frecuente transporte de 
mochila [52]. Esto justifica que tanto investigadores como expertos médicos persigan 
constantemente la exploración de patrones estadísticos mediante pruebas EMG con tal 
de poder asociarlos a características comunes entre muestras de pacientes tomadas en un 
mismo contexto. 

 

4.3.2 Características de la población 
El estudio evalúa el estado de los músculos cervicales en una población de 32 sujetos de 
entre 13 y 77 años, 12 mujeres y 20 hombres, todos ellos con características físicas y 
hábitos de vida lo más diversos entre sí para contrastar distintos factores en una misma 
población. Esta heterogeneidad de características es un factor indispensable en el 
experimento ya que en él se persigue, además de las etiquetas sintácticas obtenidas 
mediante el análisis de señales EMG, un correcto etiquetado semántico para así poder 
dotar al contexto de valor calificable. 
Una forma de conseguir esto es incluyendo en el estudio algunos casos con patologías 
neuromusculares previamente detectadas en algunos de los pacientes, así como ciertas 
alteraciones entre sus costumbres diarias que pudieran suponer un punto crítico en la 
actividad cervical. 
En el siguiente esquema se define la relación del campo sintáctico recogido en las 
señales EMG con las características semánticas de la población en el contexto médico: 



59 
 

 

 
Figura 36. Relación entre el entorno sintáctico y semántico aplicable a la población del estudio.  

 

4.3.3 Instrumentación y tecnologías 
El material utilizado para la realización de este experimento se puede dividir en dos 
partes. Por un lado, el dispositivo IoT utilizando para la recolecta de los datos; y por 
otro, las plataformas tecnológicas encargadas de la ingesta, tratamiento y visualización 
de los datos. 

Visto este desglose se comentan ambas partes a continuación. 
 

4.3.3.1 Dispositivo	IoT	utilizado	
El dispositivo de recolecta de datos utilizado en el experimento es proporcionado por 
mDurance y supone el punto de interacción con cada uno de los pacientes. Consiste en 
un dispositivo electromiográfico Shimmer3 EMG [53] de pequeñas dimensiones y peso, 
pero con una alta capacidad de autonomía. 

Este dispositivo posee unas características técnicas que hacen que cuente con 10 grados 
de libertad (DOF) vía acelerómetro, giroscopio, magnetómetro y altímetro, cada uno de 
ellos con un amplio rango de datos seleccionable que permite la lectura de datos con un 
nivel de ruido mínimo. 

El funcionamiento de este wearable se basa en la recolección de los impulsos eléctricos 
musculares con un sistema A/D en señales de 16 bits, frecuencia de muestreo de 24 
MHz y ancho de banda de 8,4 kHz. El dispositivo ofrece cinco inputs para conectar los 
electrodos encargados de capturar el test EMG:  

• Dos canales laterales, izquierdo y derecho, donde se permiten conectar cuatro 
electrodos (dos por canal) y medir los niveles de señal de forma simétrica en los 
músculos cervicales. 

• Un electrodo situado en el centro del dispositivo y correspondiente a la toma de 
tierra. 



60 
 

 
Figura 37. Conexiones del wearable Shimmer3 EMG. 

 

Las especificaciones técnicas del wearable Shimmer3 EMG quedan adjuntas en el 
Anexo 1 de este documento. 

 

4.3.3.2 Tecnologías	empleadas	
Claro está que desde que el dispositivo Shimmer3 EMG recoge los datos de un paciente 
hasta que un tipo de gráficos es reutilizado y adaptado, todo el conjunto de datos lleva a 
cabo una serie de procesos que no resultan ni mucho menos triviales. No es objeto de 
este estudio contemplar una comparativa entre plataformas tecnológicas, ni por la parte 
de tratamiento ni tampoco por la de visualización de datos; no obstante, sí resulta 
importante realizar una breve síntesis que justifique el procedimiento seguido desde que 
se obtienen los conjuntos de datos hasta que se representan. 
Cabe decir que las plataformas utilizadas para la realización de este proyecto se ejecutan 
de forma local a modo de “banco de pruebas” pero siempre teniendo en mente la 
migración Cloud del sistema en su totalidad.  

Los entornos software implicados dentro de la arquitectura tecnológica son: 

• Por un lado, Jupyter [54], desarrollado en Python y dedicado al manejo de los 
datos como plataforma maestra debido a la elevada flexibilidad que ofrece para 
el manejo de múltiples ficheros con arrays de dimensiones considerables. 

• Por otro, Tableau [55], cuyo sistema de consultas se basa en SQL y se encarga 
de la posterior visualización de los datos de forma avanzada a partir de las 
fuentes de datos recogidas. 

• Por último, un repositorio en común para la correcta sincronización de las dos 
plataformas, el cual facilita la comunicación de los datos y los archivos 
temporales con gráficos embebidos. 

El flujo de datos dentro de la arquitectura de la solución propuesta se muestra de forma 
básica mediante el siguiente diagrama, correspondiéndose con los componentes 
software de la solución propuesta: 



61 
 

 
Figura 38. Esquema básico de los flujos de E/S en el procedimiento seguido. 

 
En el anterior esquema se puede observar que el experto médico es capaz de realizar 
una petición de entrada al sistema, ésta ser atendida y gestionada por el entorno Python, 
y seguidamente comunicar al entorno Tableau el elemento gráfico a reutilizar en 
función de los datos transferidos, la petición del experto y las reglas de similitud 
establecidas.   

La descripción detallada de los flujos E/S en la arquitectura software se desarrollan a 
continuación, distinguiendo el entorno Python, el repositorio común y el entorno 
Tableau: 
 

 
 

Figura 39. Diagrama detallado de los flujos de E/S en el procedimiento seguido. 



62 
 

Por un lado, la secuencia de procesos que conforman el entorno Python queda resumida 
en: 

1. Importación de datos desde el dispositivo Shimmer3 EMG e incorporación 
inmediata a la base de datos de pacientes y pruebas; así como almacenado de los 
ficheros individuales de cada una de las pruebas realizadas. 

2. Procesado y limpiado los datos procedentes del análisis EMG para disponer de 
señales útiles, teniendo en cuenta en todo momento el punto de vista analítico 
contrastado desde diversas fuentes de investigación en el contexto. 

3. Incorporación al modelo de caracterización de los datos para la creación de un 
banco de etiquetas capaz de satisfacer las peticiones de entrada. 

4. Ejecución de reglas de mapeo y similitud de datos, así como exportación de los 
conjuntos al repositorio, que posee la función de nexo entre esta plataforma de 
manejo y la plataforma encargada de la visualización de los mismos. 

Por otra parte, el entorno Tableau se caracteriza por ingerir los datos de forma continua 
y adaptarlos a las formas de visualización caracterizadas dentro de la base de casos que 
está almacenada en este entorno. Esto quiere decir que cualquier pull por parte del 
entorno Python va a ser procesado de forma inmediata por este entorno DataViz en 
función de las reglas de similitud que atienden la petición de entrada generada por el 
experto médico. 

Es por esto que los gráficos se reutilizan y reajustan siempre que; por la parte de 
Python, los conjuntos estén correctamente caracterizados; y por la parte de Tableau, los 
gráficos resulten óptimos también en su proceso de caracterización. 
 

4.3.4 Movimientos 
Una vez definida la muestra de población partícipe del experimento y el material con el 
que se lleva a cabo, se procede a explicar el funcionamiento del experimento como tal: 
los movimientos de los pacientes para cada una de las pruebas. 
El rendimiento de la flexión que determina el dolor cervical está totalmente ligado al 
fenómeno de flexión-relajación (FRP), que es un método utilizado para evaluar las 
alteraciones en patrones de actividad muscular [56]. Este fenómeno se caracteriza por la 
ausencia de señales EMG por parte de los músculos en el movimiento de máxima 
flexión cervical, y en el presente estudio supone la tarea principal de cada uno de los 
pacientes en sus respectivas pruebas. 
Para la correcta ejecución del experimento el dispositivo Shimmer3 se posiciona en la 
parte trasera de la cabeza del sujeto a través de una banda de goma elástica, y se colocan 
el canal 1 y 2 en los músculos cervicales, que respectivamente corresponden con los 
denominados esplenio capitis izquierdo y esplenio capitis derecho.  

Esta disposición resulta de alta importancia a la hora de posteriormente contemplar la 
simetría de los músculos, por lo que se esquematiza a través de la figura 40: 

 



63 
 

 
Figura 40. Distribución de electrodos en función de los canales del Shimmer3 sobre los dos músculos. 

 
Así pues, las pruebas FRP que miden la capacidad cervical de dos músculos se 
clasifican según movimientos isotónicos e isométricos. El experimento consta de tres 
tests para cada uno de los pacientes que se han tomado en el estudio, uno isotónico y 
dos con carga isométrica. Es por ello que este experimento consta de 177 pruebas en 
total.  

Se describen a continuación los movimientos isométricos e isotónicos que los pacientes 
llevan a cabo en el estudio. 

 

4.3.4.1 Pruebas	de	movimientos	isotónicos	
1. La primera y principal prueba se corresponde con un estiramiento FRP de tipo 

isotónico dividido en tres series. Mediante la figura 41 se ejemplifica una de las 
series: 

• Fase a: En primer lugar, la paciente se posiciona con la espalda 
totalmente recta y en una posición estática durante 5 segundos. 

• Fase b: Seguidamente, la paciente realiza una flexión total de las 
cervicales realizando un movimiento donde sitúa la barbilla sobre el 
pecho en un intervalo de 5 segundos aproximadamente. 

• Fase c: Después de esto, la paciente mantiene la cabeza en el punto de 
flexión máximo de las cervicales, otros 5 segundos. 

• Fase d: Para acabar la serie, la paciente realiza un movimiento de re-
extensión hacia arriba en otro intervalo de 5 segundos hasta tener los 
músculos cervicales relajados y de esta forma la cabeza totalmente recta 
(vuelta a fase a). 

 
 

 
 

 



64 
 

a)        b)          c)        d) 

         
Figura 41. Secuencia de movimientos isotónicos FRP hacia delante y hacia atrás: Fases a-d. 

 
Así pues, la duración de cada prueba de este tipo es: 

( 5	𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠 ∗ 4	𝑚𝑜𝑣𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 ∗ 3	𝑠𝑒𝑟𝑖𝑒𝑠) + 5	𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠@%ABC = 65	𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠 

 (4.1) 

 

4.3.4.2 Pruebas	de	movimientos	isométricos	
2. Por otro lado, el segundo test FRP se corresponde a un movimiento isométrico 

único de 10 segundos mediante el cual la paciente, con la cabeza recta, trata de 
flexionar las cervicales hacia adelante con la oposición de la mano (no de ella 
misma, sino del encargado de realización de la prueba). Esto se contempla en la 
figura 42 d.  

3. Por último, de la misma forma que anteriormente, la paciente trata de flexionar 
la cabeza en un intervalo de 10 segundos, esta vez hacia detrás, con la resistencia 
de la mano en la parte trasera. Se observa en la figura 42 e. 
 

d) e)  

   
Figura 42. Secuencia de movimientos isométricos FRP hacia delante y hacia atrás. 

 



65 
 

4.4 Procesamiento de datos 
Independientemente del tipo de prueba ejecutada, cada una de ellas equivale a un 
fichero de datos en crudo, los cuales se toman como una secuencia de arrays. Entre 
estos destacan:  

• La línea temporal determinada por la cantidad de milisegundos de la prueba. 
• El número identificador del test. 
• El tiempo total de la prueba, en segundos. 
• El ángulo en el que se encuentra el Shimmer3 en cada instante de tiempo.  
• Los niveles de señal en cada instante de tiempo, para los dos músculos sobre los 

que se realiza la prueba. Éstos se corresponden con los dos canales del 
Shimmer3 descritos anteriormente.  

Para poder representar los valores sintácticos que proporcionan los niveles de señal 
EMG, se ha de conocer de primera mano la naturaleza de estas señales. Esto es, qué tipo 
de forma de onda se tiene originalmente y en qué se pretende convertir para tener 
conocimiento de los cálculos estadísticos y probabilísticos a realizar sobre las mismas. 
A modo de breve ejemplo, se muestran en la siguiente figura un periodo de 20 ms de 
muestreo dentro de los 10 segundos que determina una prueba isotónica hacia detrás. 
 

 
Figura 43. Parte del conjunto de datos de una prueba EMG cualquiera. 

 



66 
 

Enfocando los datos desde la perspectiva que se encarga del análisis sintáctico, tenemos 
que los arrays que contienen los valores de cada músculo no son útiles tomados en 
crudo, ya que representan cualquier tipo de ruido procedente del entorno junto al nivel 
de señal eléctrica del músculo con el que el electrodo se encuentra en contacto.  
En realidad, la naturaleza de las señales EMG no son fáciles de comprender, ya que son 
un cúmulo de variaciones en amplitud, frecuencia y fase; con una suma de ruido 
añadido. En nuestro caso, el nivel de ruido recogido por cada uno de los electrodos 
suele ser más o menos el mismo dentro de unos márgenes, pero el nivel eléctrico de 
cada músculo sí que es dependiente de la posición exacta en la que se encuentre el 
electrodo. 
De cualquier forma, los niveles de ruido y variaciones en los niveles electromiográficos 
han de ser paliados de la forma más óptima posible con tal de poder visualizar los datos 
sintácticos correctamente. Qué mejor forma de comprobar esto que intentando 
representar los valores neuromusculares del anterior test en crudo: 
 

 
 Figura 44. Señales en crudo correspondientes a los dos músculos cervicales medidos por el Shimmer3 en una 

prueba de 10 segundos. 

 
Tal y como se puede comprobar, las visualizaciones de los valores que proporcionan los 
dos arrays EMG originales carecen de sentido si no son transformados en nivel útil de 
señal. Por tanto, se puede afirmar que el análisis sintáctico de estas señales prescinde 
absolutamente de las técnicas de procesado adecuadas.  
Es por este motivo por el cual dichas técnicas se describen a continuación en líneas 
generales. 
 



67 
 

4.4.1 Filtrado 
En primer lugar, se aplica un filtro paso banda Butterworth con tal de producir la 
respuesta más plana posible hasta la frecuencia de muestreo de 1024 Hz. Dicho filtro 
tiene orden 4 y la banda pasante se genera desde los 20 Hz hasta los 450 Hz, de modo 
que se tenga una respuesta en frecuencia como la indicada en la figura: 
 

 

 
Figura 45. Respuesta en frecuencia del filtro Butterworth utilizado para el procesado de señales EMG. 

 
De forma seguida, a la señal se le aplica un filtro de fase linear en cada una de los 
extremos (determinados por las frecuencias de corte) preservando los picos de amplitud 
de lo que serían cada una de las bandas de frecuencia. Un ejemplo de respuesta de dicho 
filtro es el mostrado en la siguiente figura: 
 

 
Figura 46. Ejemplo de filtro de fase linear utilizado para el procesado de señales EMG. 

 



68 
 

Así pues, gracias a la utilización de estos dos filtros se consiguen eliminar las 
frecuencias altas y bajas a partir de las respectivas frecuencias de corte sin perder el 
formato de la señal EMG en cuestión. No obstante, esto no implica que dicha señal se 
encuentre libre de ruido. 
 

4.4.2 Eliminación de ruido 
El ejercicio que se lleva a cabo en el último paso del procesado se resume de la 
siguiente forma: la señal EMG previamente filtrada se divide en tramos para calcular las 
desviaciones de cada uno de ellos y detectar los niveles de ruido. De este modo, la 
desviación de cada tramo se enventana como señal útil en caso de tener la suficiente 
amplitud, y se sustituye por tramos con amplitud de nivel 0 en caso de tratarse de 
tramos con ruido. 

Con esto, las señales representadas en el ejemplo de la figura 44, antes en crudo, se 
muestran ahora tras el filtrado y eliminado de ruido: 

 
Figura 47. Señales correspondientes a los dos músculos cervicales una vez procesadas. 

 

4.5 Análisis de datos 
Teniendo en cuenta lo anterior, si una señal EMG correctamente filtrada y limpia de 
ruido se asocia con la secuencia de movimientos FRP descritos anteriormente, se tendría 
un esquema muy parecido al representado en la figura 48 [50].  

Cabe decir que aquí el nivel de señal EMG se encuentra normalizado y el FRP 
correspondería a un movimiento isotónico. 

 



69 
 

 
Figura 48. Esquema de equivalencia entre señal EMG y movimiento FRP de un test isotónico. 

 

Así pues, la señal EMG posee algunas características muy interesantes y aprovechables 
desde el punto de vista sintáctico. Entre ellas: 

• Un determinado ratio de flexión-relajación (FRR), que mide la máxima 
actividad durante 1s de la completa extensión (fase d) y la compara con la 
actividad media en el proceso de flexión total (fase c). Este ratio cuantifica la 
capacidad de extensión de los músculos cervicales  
 

𝐹𝑅𝑅 =
𝐸𝑀𝐺𝑚á𝑥𝑖𝑚𝑜	𝑒𝑛	𝐹𝑎𝑠𝑒	𝑑
𝐸𝑀𝐺𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜	𝑒𝑛	𝐹𝑎𝑠𝑒	𝑐

 

 (4.2) 

• Dos ángulos distintos en función del nivel de fatiga de los músculos durante el 
cambio de fases en el movimiento FRP: ángulos Onset y Offset.  

o Por un lado, el ángulo Onset corresponde con el ángulo de flexión 
cuando el mayor nivel de carga justamente comienza a transferirse desde 
los músculos más activos (Fase b) hacia los menos fatigados (Fase c).  

o Por otro lado, el ángulo Offset corresponde con el ángulo de extensión 
mediante el cual el nivel de carga justamente termina de transferirse 
desde los músculos menos activos (Fase c) hasta los más activos (Fase 
d). 

Estos ángulos en realidad se interpretan mediante el nivel instantáneo de flexión-
relajación (IRi), donde: 
 

𝐼𝑅% =
𝐸𝑀𝐺%

𝐸𝑀𝐺𝑚á𝑥𝑖𝑚𝑜	𝑒𝑛	𝐹𝑎𝑠𝑒	𝑑
 

(4.3) 
 



70 
 

Así pues, este nivel IRi define la proporción entre el nivel EMG instantáneo y el 
nivel EMG máximo en la Fase d. El instante en el que la flexión se encuentre 
por debajo del 40% del máximo se asociará con el nivel de tensión que en ese 
mismo instante proporciona el ángulo Onset; mientras que una proporción por 
encima del 40% del máximo se asociará con el nivel de tensión que en ese 
instante proporciona el ángulo Offset. 

• Un periodo de silencio en la fase de extensión, que en realidad se define para 
cuantificar los cambios temporales producidos desde la Fase b hasta la c; y 
desde la Fase c hasta la d. O lo que es lo mismo, los instantes de tiempo que 
definen los ángulos Onset y Offset: 

 

𝑃𝑒𝑟𝑖𝑜𝑑𝑜	𝑑𝑒	𝑆𝑖𝑙𝑒𝑛𝑐𝑖𝑜	 = 𝐶𝑎𝑚𝑏𝑖𝑜	𝑂𝑛𝑠𝑒𝑡 + 𝐶𝑎𝑚𝑏𝑖𝑜	𝑂𝑓𝑓𝑠𝑒𝑡 
 (4.4) 

 
Donde, observando la figura 48, se definen: 
 

𝐶𝑎𝑚𝑏𝑖𝑜	𝑂𝑛𝑠𝑒𝑡	 = 𝑇1TBUV	W − 𝑇1TBUV	X 
 (4.5) 

𝐶𝑎𝑚𝑏𝑖𝑜	𝑂𝑓𝑓𝑠𝑒𝑡	 = 𝑇2TBUV	W − 𝑇2TBUV	Z 
 (4.6) 

 
Por tanto, atendiendo a estas últimas definiciones y a la de la ecuación 4.3, se 
puede decir que: 
o El nivel EMG en el instante 1 de la Fase b es inferior al 40% del máximo en 

la Fase d, correspondiéndose este instante con el ángulo Onset. 
o El nivel EMG en el instante 2 de la Fase d es superior al 40% del máximo 

en dicha fase, correspondiéndose este instante con el ángulo Offset. 
• Un cálculo de suavizado, Root Mean Square (RMS), que permite caracterizar 

datos procedentes de una señal de acuerdo a su contenido de energía. 
 

𝑋𝑟𝑚𝑠	 = 	
1
𝑁

𝑥%)
]

%^_

 

(4.7) 
 

Este valor es tremendamente útil normalizado ya que permite comparar entre 
muestras de todo tipo, por lo que es interesante tener el nivel de señal en formato 
RMS y enventanado con 1 segundo de duración para poder hacer comparaciones 
visualmente más efectivas. Así pues, es común disponer del dato de RMS divido 
por el total de segundos de la prueba (RMS/s) y también realizar una 
visualización porcentuada, ya que, de forma general, se podría decir que una 
persona muscularmente sana está por debajo del 10% en base a esa actividad.  

• El máximo valor de contracción muscular (MVC) tanto de forma local como 
global, es decir, individualmente para cada prueba y también de forma global en 
todas las pruebas realizadas sobre un mismo músculo. Un factor interesante en 
este contexto procede de dividir un nivel de tensión por la máxima contracción 



71 
 

histórica, que coherentemente viene determinado en una prueba de movimiento 
isométrico. 

 

4.6 Etiquetado de datos 
Ahora que ya se conocen las propiedades más importantes de las señales EMG y la 
forma en la que se ponen de manifiesto en la ejecución de movimientos FRP, se puede 
dar paso al análisis y justificación de la parte correspondiente al etiquetado de los 
conjuntos de datos que son candidatos a ser representados de forma gráfica. 

Ya se ha comentado en la metodología propuesta sobre el capítulo anterior que el 
etiquetado de datos en nuestro experimento persigue una división entre características 
sintácticas y semánticas:  

• Las etiquetas sintácticas proceden de los datos correspondientes a las señales 
obtenidas en las pruebas.  

• Las etiquetas semánticas son las que se recogen en el experimento antes de 
comenzar la prueba de cada paciente mediante un breve cuestionario.  

Así pues, como al fin y al cabo se busca una relación entre ambas, dichas etiquetas han 
de tener un nexo común que permita establecer relaciones y patrones visuales claros. Es 
por ello que el punto de unión entre etiquetas se lleva a cabo de la siguiente forma: 

 

 
 

Figura 49. Esquema de mapeado entre etiquetas sintácticas y semánticas ejercido en el manejo de los datos. 
 
Una vez tenido esto en cuenta, a continuación se procede a analizar las características 
semánticas y propiedades estructurales de los datos y gráficos que se pretenden manejar, 



72 
 

de modo que se apliquen posteriormente de forma relevante en el diseño del conjunto de 
herramientas de visualización personalizadas a estos datos. 
Para facilitar la comprensión de todos los datos recogidos en el experimento, éstos se 
distribuyen a través de las tablas que se muestran a continuación. 
 

4.6.1 Etiquetas sintácticas 
Poniendo atención en la figura 49 previamente mostrada, se aprecia que el campo de 
etiquetas sintácticas propuestas en este proyecto se divide en tres subcategorías 
claramente distinguibles, las cuales son objeto de análisis a continuación. 
Por un lado, los datos descriptivos del test recogen información acerca de la prueba 
desde el punto de vista informativo. Realmente estos datos no suponen una amplia 
fuente de información, pero sí un punto de unión con las características semánticas. 

Se muestra en la siguiente tabla el porqué: 
 
Nombre etiqueta Descripción Ejemplo 

id_patient Identificador de paciente 292 

date Fecha en la que se realiza la prueba Jaime García Giménez 

Tabla 5. Modelo de datos descriptivo de las pruebas asociadas a un paciente. 

 

Por otro lado, se recopilan las etiquetas consideradas de excelencia en nuestro 
experimento: los arrays de datos con las propias señales EMG.  

 
Nombre etiqueta Descripción Unidades 

time Instante de tiempo de la prueba, a la cual se le 
establece un enventanado de 0,05 segundos. [s] 

ROM 
Rango de movimiento, en grados, correspondientes 
a cada instante de tiempo [º] 

EMG_left 
Nivel de señal EMG del músculo izquierdo 
correspondiente a cada instante de tiempo [µV] 

EMG_right 
Nivel de señal EMG del músculo derecho 
correspondiente a cada instante de tiempo [µV] 

RMS_left 
Nivel de señal suavizada del músculo izquierdo 
correspondiente a cada instante de tiempo [µV] 

RMS_right 
Nivel de señal suavizada del músculo derecho 
correspondiente a cada instante de tiempo [µV] 

IR_left 
Nivel de flexión-relajación para el músculo 
izquierdo % 

IR_right 
Nivel de flexión-relajación para el músculo 
derecho % 

Tabla 6. Modelo de arrays de las pruebas asociadas a un paciente. 

 



73 
 

Por último, se etiquetan los valores clave calculados a raíz de los anteriores arrays, y 
que se utilizan para analizar estadísticamente las características sintácticas de cada una 
de las pruebas llevadas a cabo por los pacientes. 

 
Nombre etiqueta Descripción Unidades 

MVC_prueba_left Máxima contracción muscular izquierda en la 
prueba [µV] 

MVC_prueba_right 
Máxima contracción muscular derecha en la 
prueba [µV] 

MVC_historico_left 
Máxima contracción muscular izquierda en todas 
las pruebas del paciente [µV] 

MVC_historico_rigth 
Máxima contracción muscular derecha en todas 
las pruebas del paciente [µV] 

RMS_prom_left 
Nivel de señal RMS promedio de la prueba para 
el músculo izquierdo [µV] 

RMS_prom_right 
Nivel de señal RMS promedio de la prueba para 
el músculo derecho [µV] 

RMSsec_prom_left 
Nivel de señal RMS promedio por segundo de la 
prueba para el músculo izquierdo [µV] 

RMSsec_prom_right 
Nivel de señal RMS promedio por segundo de la 
prueba para el músculo derecho [µV] 

FRR_left Capacidad de extensión del músculo izquierdo [µV] 

FRR_right Capacidad de extensión del músculo derecho [µV] 

onset_angle_left Ángulo onset del músculo izquierdo [º] 

onset_angle_right Ángulo onset del músculo derecho [º] 

offset_angle_left Ángulo offset del músculo izquierdo [º] 

offset_angle_right Ángulo offset del músculo derecho [º] 

cambio_onset_left 
Periodo de tiempo en el que se produce el ángulo 
onset en el músculo izquierdo [s] 

cambio_onset_right 
Periodo de tiempo en el que se produce el ángulo 
onset en el músculo derecho [s] 

cambio_offset_left 
Periodo de tiempo en el que se produce el ángulo 
offset en el músculo izquierdo [s] 

cambio_offset_right 
Periodo de tiempo en el que se produce el ángulo 
offset en el músculo derecho [s] 

PS_left Periodo de silencio del músculo izquierdo [s] 

PS_right Periodo de silencio del músculo derecho [s] 

Tabla 7. Modelo de datos de valores calculados en las pruebas asociadas a un paciente. 

 



74 
 

4.6.2 Etiquetas semánticas 
Volviendo a fijarnos en la figura 49 podemos observar que el campo de etiquetas 
semánticas propuestas en este proyecto se divide en tres subcategorías bien 
diferenciadas, las cuales se definen a continuación. 

En la base de datos de pacientes del experimento, se encuentran en primer lugar los 
datos básicos de cada uno de ellos, donde se recoge información de contacto del 
usuario; es decir, datos meramente organizativos: 
 
Nombre etiqueta Descripción Ejemplo 

id Identificador de paciente 292 

name Nombre y apellidos de paciente Jaime García Giménez 

age Edad de paciente 23 

gender_display Sexo de paciente Hombre 
email Correo electrónico de paciente jaimenig@ucm.es 
city Ciudad de residenciad el paciente Madrid 
occupation1 Profesión principal de paciente Informático 
occupation2 Segunda ocupación de paciente Camarero 

tests_count Número de pruebas que el paciente ha 
realizado 3 

height Altura de paciente, en m 1,77 
weight Peso de paciente, en kg 72 
IMC Índice de masa muscular de paciente 22,98 

physical_condition 

Condición física promedio de paciente, 
en función del ritmo de vida con el que 
se autodefine (atlético, promedio o 
pobre) 

Promedio 

Tabla 8. Modelo de datos básicos de los pacientes del experimento. 

 
En segundo lugar, se recogen los problemas físicos de los pacientes. Con esto se 
pretende determinar si el paciente posee algún tipo de dolencia física o está 
completamente sano. Para ello, se crea una etiqueta específica (physical_problems) que 
es la que define automáticamente si un paciente se encuentra (o no) totalmente sano en 
función del resto de variables.  

Esta etiqueta altamente restrictiva ya que, en caso de tener un solo valor no positivo en 
alguna de las variables que le acompaña, ésta automáticamente también pasa a tener un 
valor negativo para ese paciente. Este tipo de exclusión es común para estimar los casos 
peores entre pacientes y poder investigar causas. 

En la tabla 9 se recogen estas etiquetas: 
 

Nombre etiqueta Descripción Rango Ejemplo 

physical_problems 

Problemas 
físicos de los 
pacientes. 
Etiqueta de 

• Sí 
• No 

No  
(Nótese que 
este caso 
únicamente se 



75 
 

exclusión en 
función de las 
siguientes 

cumpliría bajo 
los valores 
indicados por 
las siguientes 
etiquetas) 

muscular_fatigue 
Nivel de fatiga 
muscular de 
paciente 

• 0 (Sin fatiga muscular) 
• 1 (Fatiga muscular leve) 
• 2 (Fatiga muscular intermedia) 
• 3 (Fatiga muscular intensa) 

0 

pain_level 

Nivel de dolor 
en los músculos 
cervicales de 
paciente 

• 0 (Sin dolor) 
• 1 (Dolor cervical leve) 
• 2 (Dolor cervical intermedio) 
• 3 (Dolor cervical intenso) 

0 

injured 
Determina 
alguna lesión en 
el paciente 

• Escoliosis 
• Hernia 
• (Otros) 
• Posible (En caso de encontrarse 

bajo pruebas médicas) 
• No 

No 

observations 

Observaciones 
que supongan 
algún tipo de 
impedimento 
físico 

• Artrosis 
• Bajo pruebas médicas 
• Esguince cervical 
• (Otros) 
• No 

No 

sleep_fatigue Cansancio tras 
dormir 

• Sí 
• No 

No 

special_diet 
Condiciones 
alimentarias 
especiales 

• Diabético 
• Celiaco 
• Vegetariano 
• (Otros) 
• No 

Celiaco 

others 

Otras 
dificultades o 
peculiaridades 
en los hábitos de 
vida del paciente 

• Náuseas 
• Mareos 
• Sensibilidad a la luz 
• Migrañas 
• (Otros) 
• No 

Mareos 

Tabla 9. Modelo de problemas físicos de los pacientes del experimento. 

 
Por último, se definen las etiquetas encargadas de definir cualquier tipo de alteración 
que pueda influir en el día a día de un paciente. Para ello, se sigue el mismo proceso que 
en el anterior modelo de datos. Se establecen una etiqueta específica (alterations) que es 
la que define automáticamente si un paciente posee (o no) cualquier tipo de dificultad 
entre sus hábitos de vida cotidianos. 

Esta etiqueta también es altamente restrictiva ya que se negativiza con solamente una de 
las que le definen, por la misma razón comentada anteriormente. 



76 
 

El conjunto de etiquetas que definen estas características de población se definen 
comentan sobre la tabla número 10: 
 
Nombre etiqueta Descripción Rango Ejemplo 

alterations 

Alteraciones en los 
hábitos de vida de los 
pacientes. Etiqueta de 
exclusión en función 
de las siguientes 

• Sí 
• No 

No  
(Nótese que 
este caso 
únicamente se 
cumpliría bajo 
los valores 
indicados por 
las siguientes 
etiquetas) 

ergonomic_problems 
Problemas 
ergonómicos sufridos 
por el paciente 

• Sí 
• No 

No 

stress_level Situación de estrés 
general 

• Agudo puntual 
• Agudo episódico 
• Estrés crónico 
• Ninguno 

Ninguno 

sleep_fatigue Cansancio tras dormir • Sí 
• No 

No 

special_diet Condiciones 
alimentarias especiales 

• Diabético 
• Celiaco 
• Vegetariano 
• (Otros) 
• No 

No 

others 

Otras dificultades o 
peculiaridades en los 
hábitos de vida del 
paciente 

• Náuseas 
• Mareos 
• Sensibilidad a la luz 
• Migrañas 
• (Otros) 
• No 

No 

Tabla 10. Modelo de datos de alteraciones en los hábitos de vida de los pacientes del experimento. 

 

4.7 Optimización de la plataforma, estado to-be 
Como bien sabemos, la propuesta esencial del estudio práctico es potenciar los modelos 
de datos y gráficos contemplados en la herramienta as-is de mDurance en base a los 
modelos de informes susceptibles a adaptar y recuperar en la metodología CBR general 
de recuperación de plantillas de informes explicada sobre el capítulo anterior.  

Aquí, el sub-sistema CBR es el encargado de elegir las técnicas visuales que mejor se 
adapten mejor al hueco del informe, de modo que se puedan ligar las etiquetas 
sintácticas y semánticas del experimento en base a las entradas de datos proporcionadas 
y crear gráficos que proporcionen valor sobre estos conjuntos. 

Por un lado, la caracterización de datos comentada en el capítulo 4.6, la cual sostiene 
un lenguaje común en la descripción de los distintos huecos integrados en la plantilla de 



77 
 

informes. Son precisamente estos huecos los que se pretenden rellenar y los que 
dependen de forma intrínseca del usuario encargado de proporcionar las entradas de 
datos, que es el mismo al que se dirige el informe y que será el espectador objetivo de la 
utilización de nuestros elementos visuales. 
Por otro lado, la caracterización de los gráficos candidatos a ser aplicados en el hueco 
del informe en función de las reglas genéricas comentadas en el apartado 3.4 de la 
metodología, y con la debida particularización que se comenta sobre el siguiente 
apartado 4.9. Estos gráficos han de poseer la heterogeneidad suficiente como para 
establecer un repertorio que suponga una notable mejora en la recuperación y métodos 
de reutilización de un ciclo CBR para así permitir la combinación de distintos elementos 
visuales en un mismo caso base. Para esta combinación se ha de tener muy en cuenta la 
implementación de un formato único en ciertas partes de los elementos visuales 
independientemente del hueco de informe que se desee completar, con tal de no crear 
confusión en el usuario que acostumbra a visualizar gráficos en este tipo de informes.  
 

4.7.1 Modelos de informes propuestos 
El enfoque capaz de potenciar la herramienta de mDurance en una integración CBR se 
podría adecuar perfectamente a los prototipos de informes que cubren las necesidades 
de los siguientes ficheros de entrada: 

1. Informe para el estudio de la población de pacientes: Nuestra fuente de datos 
es una base de datos con las características de dicha población y unos atributos 
determinados. 

2. Informe para el estudio del estado físico de un paciente: Nuestra fuente de 
datos es un fichero donde se recoge la actividad muscular de un solo paciente. 

3. Informe para la comparación de dos pacientes: Nuestra fuente de datos son 
dos ficheros donde se recoge la actividad muscular de cada uno de los pacientes. 

4. Informe para la comparación de un paciente con respecto a la población: 
Nuestra fuente de datos es un fichero de la actividad muscular de un solo 
paciente y otro con los datos promedios de la población. 

 

 
Figura 50. Propuesta de modelos de informes para la reutilización y adaptación de gráficos. 

 

4.7.2 Ejemplo general de utilización de los informes 
De este modo, a continuación vamos a suponer un ejemplo en el que se tenga como base 
el ciclo CBR general que tenga como objeto la recuperación de los modelos de informes 
previamente descritos, para así utilizar nuestro sub-sistema CBR en la reutilización y 
adaptación de gráficos en base a experiencias previas. 
Una clínica de fisioterapia cuenta con la herramienta de salud digital de mDurance, 
donde se almacena una base de datos de pacientes y otra de pruebas, las cuales se van 



78 
 

actualizando de forma constante. Además, también se tiene un histórico de las fuentes 
de datos que proporcionan los sistemas Shimmer3 que se tienen en la clínica. 
En caso de requerir un estudio de la población de pacientes que se tiene en la clínica, 
mediante la opción de solicitud explícita en el sistema se podría conseguir este tipo de 
informe, que recoge los principales datos de la población en función de las necesidades 
que indique el experto. 
Supongamos que un nuevo paciente, miembro de un equipo de natación sincronizada, 
por ejemplo, ingresa en la clínica y realiza las pruebas EMG. Se puede dar el caso de 
que este perfil de deportista acabe de salir de una lesión o que simplemente quiera 
revisar el estado de sus músculos cervicales. En este caso, lo más común es que el 
experto médico requiera al sistema de un informe de dicho paciente donde aparezcan 
sus características físicas y gráficos que representen los valores descriptivos de las 
pruebas EMG que ha realizado, para ver los niveles neuromusculares que implicados y 
la evolución del rango de movimiento. Esto permite, por un lado, saber si se ha 
realizado correctamente la prueba debido al previo establecimiento de valores críticos 
en los márgenes; y por otro, también permite detectar anomalías neuromusculares y 
comprobar la distribución de carga de los músculos del paciente. 

No obstante, el papel del experto médico no termina aquí. Supongamos que además 
también pretende comparar los niveles de este paciente con los de otro componente de 
su mismo equipo de natación sincronizada. Pues bien, el experto médico solicita la 
información comparativa de los dos pacientes al sistema para de este modo reutilizar 
gráficos por parte de los dos pacientes comparándolos entre sí y destacando las 
diferencias notables en sus niveles musculares, pudiendo también reconocer patrones 
entre este mismo perfil de usuarios y categorizarlos en base a una serie de anomalías 
concretas. 

Por último, para constatar los datos tomados del deportista de natación sincronizada, el 
experto médico pretende comparar este perfil de paciente con otros usuarios, 
concretamente con la población en su totalidad. Pues bien, el ejercicio que realiza el 
experto médico en este aspecto es una solicitud al sistema para comparar este paciente 
en particular con el resto de la población, y así contemplar patrones que relacionen (o 
no) este paciente con otros perfiles diversos. Estos patrones no tienen el mismo nivel de 
abstracción que la anterior comparación paciente a paciente, sino que son de carácter 
poblacional y entra en juego un abanico de datos mucho más contextual. 

Todo lo anterior forma parte del ciclo CBR general en el que se recuperan los informes 
y se generan los conjuntos de datos con la información necesaria para ello. Ya se ha 
dicho que este Trabajo Final de Máster no se centra en ese ciclo general pero, no 
obstante, para la reutilización y adaptación de gráficos sí hace falta al menos partir de 
un supuesto caso en el que se tengan ciertos huecos para completar con los elementos 
visuales reutilizados. Es por ello que en la siguiente figura se propone una 
esquematización básica de las formas en las que el experto médico puede hacer una 
petición para así generar los datos correspondientes, y de paso el sub-ciclo CBR 
comenzar a tantear los gráficos candidatos a ser reutilizados. 
 



79 
 

 
 

Figura 51. Etiquetas de lenguaje fisioterapeuta-sistema para la suplantación del ciclo CBR general 

 

De este modo, si por ejemplo nos centramos en el caso en el que el fisioterapeuta quiere 
saber el estado físico de un paciente tras la prueba EMG, tendría que recurrir a una 
inspección de un paciente en concreto, introduciendo el identificador de dicho 
deportista. Así pues, se tendrían las etiquetas: Informe, Inspección, Paciente, {ID 
Paciente}. 
 

4.8 Diseño de elementos visuales objeto de reutilización y adaptación 
Para finalizar este capítulo se procede a describir el diseño e implementación de los 
elementos DataViz fruto del experimento y, por consiguiente, del presente Trabajo Final 
de Máster. Éstos componen la base de casos dentro del sub-ciclo CBR para la 
reutilización y adaptación de los gráficos según la entrada de datos determinada por la 
petición del experto médico. 
Para ello, se analiza y justifica el diseño e implementación de los elementos visuales 
propuestos para cada tipo de informes. Así pues, se tiene en cuenta todo lo comentado 
en el apartado 3.4 de caracterización de gráficos además de una serie de reglas 
orientadas al objetivo de este caso de estudio, con el principal propósito de convertir 
uno o varios gráficos en una herramienta DataViz capaz de proporcionar valor en 
nuestro contexto de pruebas EMG en la Medicina del Deporte. 
Algunas de estas reglas se basan en:  

• Acompañar cada una de las herramientas visuales con una breve y clara 
descripción, por lo que se hace uso de tablas que muestren el valor de una 
variable acompañado del nombre que la define. 

• Indicar en todos los ejes las dimensiones de las etiquetas sintácticas que se 
representan. 

• Utilizar ciertas dimensiones propias de la población con una única paleta de 
colores bien distinta a la que caracteriza las comparaciones entre otros factores. 
Las paletas de colores empleadas se recogen en el anexo 2 de este documento. 

• Dotar a todos los gráficos representados a de carácter interactivo. Esto es, 
permitir al experto médico que consiga un mayor nivel de detalle acerca de 
determinadas medidas al posicionar el cursor sobre los gráficos, y permitir la 
opción de filtrado para concretar en las dimensiones de interés. 

 



80 
 

4.8.1 Estudio de la población de pacientes 
Para el primer tipo de informes se proponen distintas herramientas DataViz encargadas 
de cubrir y relacionar el mayor número de etiquetas entre las recogidas en el 
experimento. Ya se ha visto que, además de características físicas, muchas de estas 
etiquetas contextuales son cadenas de texto que definen a los pacientes, por lo que para 
este tipo de informes las reglas de similitud son las siguientes: 

1. Se destaca el uso de etiquetas nominales. Sin ir más lejos, la etiqueta que se 
corresponde con el sexo de paciente supone de gran importancia ya que en este 
contexto existen distintas formas de comportamiento en las dolencias cervicales 
entre hombres y mujeres. Una buena forma de caracterizar gráficamente estas 
etiquetas nominales es mediante el color o simplemente mediante texto. 

2. En caso de querer obtener porcentajes, se utilizan gráficos de pastel que logren 
relacionar la dimensión con las proporciones dentro de una misma variable.  

3. Para distribuciones jerárquicas, como causas de alteraciones en los hábitos de 
vida de los pacientes o problemas físicos, se utilizan mapas de árbol o diagramas 
de dispersión/burbujas donde se observe la cantidad de pacientes que poseen las 
características propias de desorden o dolencia. 

4. En caso de representar la ubicación del paciente necesariamente se recurre a un 
mapa geográfico. 

Uno de los puntos más generales que destacan entre este tipo de informes es la 
descripción global de la propia población, que es fácilmente representable en forma de 
proporciones y con el apoyo de etiquetas de texto donde se expongan de forma clara y 
concisa los datos y porcentajes más destacables. 
   

 
Figura 52. Breve descripción de la población y proporción de tests realizados. 

 
Además, existen determinadas características básicas que determinan la condición física 
de un paciente dentro de la población, como bien son la estatura, el peso, y por 
consiguiente el IMC. Esto son datos cuantitativos, y el mensaje que se quiere transmitir 
es de comparación a modo de ranking, por lo que se representan mediante un diagrama 
de barras y se aprovecha la etiqueta de condición física como ejes de filas.  

Así pues, al no poseer un elevado número de tipos de condición física, la visualización 
de las barras queda sujeta a ser clara y concisa. 

 



81 
 

 
Figura 53. Representación del IMC y edad promedio en función de la condición física y género de los 

pacientes. 

 

Por otro lado, mediante un mapa geográfico se puede mostrar la ciudad de residencia de 
los pacientes. Realmente esto depende mucho de la envergadura que se quiera imponer 
en el sistema, pero de cualquier forma resulta de interés una vez disponemos de la 
etiqueta de ciudad. 

 

 
Figura 54. Representación de la geolocalización de los pacientes de la población. 

 

También se puede saber más sobre la relación entre las etiquetas de altura y el peso de 
los pacientes, estableciéndolos en los ejes cartesianos de modo indiferente y 
asociándolos con la edad para saber la forma de distribución y regresión lineal que 
siguen estos atributos físicos, ahora independientes del nivel de IMC. 



82 
 

El objetivo de representar la etiqueta de edad en este gráfico es simplemente para 
tantear la población de un vistazo. Por ejemplo, se podrían observar x casos de pacientes 
relativamente jóvenes que se encuentran totalmente alejados de la recta de regresión 
lineal: muy por debajo del nivel promedio de altura y por encima del nivel promedio de 
peso. 

 

 
Figura 55. Distribuciones y recta de regresión de la relación altura-peso en función de la edad de los pacientes. 

 
Una vez aquí, se considera de especial interés el nivel de interacción del usuario (o 
experto médico) con la herramienta, ya que se establecen filtros donde se muestra el 
interés del mismo con cada uno de las medidas que ofrece la visualización. 

La siguiente figura muestra una de las formas de contemplar esto, y en este caso se hace 
relacionando la distribución de pacientes que muestra un determinado nivel de estrés en 
sus hábitos de vida y también si sufre de dolores cervicales. Contextualmente, estas dos 
etiquetas son tremendamente útiles para observar la cantidad y promedio de pacientes 
que se encuentran entre los máximos y mínimos poblacionales y la relación que poseen 
entre sí. 



83 
 

 
Figura 56. Representación de la relación entre nivel de dolor y estrés en la población de pacientes. 

 
Se utiliza un gráfico de dispersión en el que los ejes indican el número de pacientes y la 
edad de los mismos. Si nos fijamos, una alternativa sería utilizar el atributo de tamaño 
para las circunferencias y prescindir de los ejes, lo cual convertiría este gráfico en un 
diagrama de burbujas. No obstante, en este caso perderíamos la etiqueta de la edad, que 
juega un papel importante precisamente en este contexto. 

Se observa a continuación el reajuste mediante la opción de filtrado con dos opciones 
posibles: 

 

  
Figura 57. Filtrado en la representación de la relación entre nivel de dolor y estrés. 



84 
 

 

Otro tipo de gráficos que permiten un alto nivel de interacción son los diagramas de 
árbol, donde ya no disponemos de ejes cartesianos como en el caso anterior, sino que se 
juega con el atributo del tamaño de los bloques. Esto es posible ya que el mapa de árbol 
y el conjunto de áreas que lo componen son suficientes como para albergar tres o cuatro 
etiquetas de texto por bloque, evitando así los ejes cartesianos para segregar la 
información. Se tiene una cantidad de etiquetas (nominales) mayor, en un espacio 
mucho más optimizado y compacto.     
Estos gráficos permiten dos opciones más que interesantes en este contexto: 

1. Contemplar las causas de algún tipo de alteración en los pacientes, mediante el 
análisis de los atributos que hacen que los pacientes puedan poseer algún 
desorden; esto es, el nivel de estrés, los problemas ergonómicos, algún tipo de 
alimentación especial, o desorden del nivel de sueño. 

 

 
Figura 58. Representación de las causas de las alteraciones en los pacientes mediante mapa de árbol. 

 
2. Contemplar las causas de algún tipo de problema físico en los pacientes, 

mediante las etiquetas que hacen que los pacientes puedan poseer alguna 
dolencia; esto es, el propio nivel de dolor cervical, la fatiga muscular, o algún 
tipo de lesión concreta. 



85 
 

 
Figura 59. Representación de las causas de los problemas físicos en los pacientes mediante mapa de árbol. 

 

El filtrado o exclusión de características que hacen que un paciente (o grupo de 
pacientes) posea alteraciones en sus hábitos de vida o algún tipo de dolor en las 
cervicales, convierte el mapa de árbol en un bloque explicativo con más características 
comunes. 

 

  
Figura 60. Filtrado en la representación de causas en alteraciones y problemas físicos de los pacientes. 

 
Por último, también es importante para un experto médico contemplar la profesión de 
los pacientes en la tenencia (o no) de problemas ergonómicos. Así pues, una buena 



86 
 

forma de representar esto es a través de dos clústers de pacientes donde asociar estas 
características comunes a un campo donde influyen distintos niveles de dolor cervical y 
de estrés a los nombrados problemas ergonómicos entre pacientes con distintas 
ocupaciones. Este gráfico multietiqueta no es totalmente trivial y una de las pocas 
opciones que deja es el diagrama de burbujas: 

 
Figura 61. Representación de la ocupación en relación con los niveles de estrés y dolor cervical de los 

pacientes. 

 

De nuevo, filtrando el gráfico, el usuario puede centrarse en la etiqueta de profesión que 
más interés cause en el contexto.  

  
Figura 62. Filtrado en la representación que relaciona la ocupación de los pacientes con los niveles de estrés y 

dolor cervical. 



87 
 

 

4.8.2 Estudio del estado físico de un paciente 
El segundo tipo de informes, al contrario que los anteriores, se basa casi de forma 
completa en las etiquetas sintácticas en lugar de las semánticas, pues se corresponden 
con las pruebas que un único paciente ha ejercitado. 
En este tipo de estudio priman las métricas en lugar de las dimensiones, y es por ello 
que se tienen de forma mucho más priorizada el uso de valores puntuales, evoluciones y 
distribuciones. De este modo, las reglas de similitud establecidas para este tipo de 
informes son las siguientes: 

1. Para representar valores cuantitativos particulares o niveles atípicos, tanto los 
gráficos de barras como los de dispersión son buenos candidatos. Únicamente se 
ha de tener en cuenta la cantidad de elementos que componen el gráfico ya que, 
en caso de ser elevada, un diagrama de dispersión sería más interesante pues no 
satura tanto al visualizador, ya que con el diagrama de barras influyen los 
colores en mayor medida. 

2. Las evoluciones sobre el tiempo de dos músculos se muestran mediante gráficos 
de líneas, de modo que se pueda observar y comparar la tendencia temporal 
entre ellos, además de generar valores estadísticos sobre la relación de forma y 
tamaño en el tiempo. 

3. Para los casos en los que únicamente se tenga en cuenta el nivel de distribución 
independientemente del tiempo, se puede hacer provecho de los gráficos de caja 
y bigotes y su capacidad para mostrar de manera estadística la carga muscular 
del paciente en cuestión. 

De forma general, se podría hacer visible un resumen de las características de dicho 
paciente de la forma en la que se expresa en la figura 63, donde se representa una 
descripción breve sobre sus parámetros básicos, el nivel de ejercicio promedio de cada 
músculo en las tres pruebas llevadas a cabo, y la fecha de realización de cada una de 
estos tres tests. 

 

 
Figura 63. Descripción, ejercicio promedio y resultados destacables de las pruebas realizadas por el paciente. 



88 
 

 

Realmente las opciones para completar los tipos de huecos de este tipo de informes son 
múltiples, pues depende de tantas pruebas como el paciente haya realizado. En nuestro 
caso, procedemos a analizar los gráficos de una de ellas, la del movimiento isotónico, 
pues es la que mayor duración posee y cuyas señales mejor representan el movimiento 
FRP. 
Esto se puede comprobar, sin ir más lejos, en el rango de movimiento de esta prueba, 
donde se pueden ajustar parámetros estadísticos básicos que ayuden a comprender el 
estado de la prueba y detectar anomalías en la ejecución de la misma. En este contexto, 
hay ocasiones en la que los pacientes exceden el movimiento FRP hasta un nivel 
determinado y por tanto la prueba no podría considerarse como válida. 

Este diagrama del rango de movimiento se representa mediante un gráfico de líneas casi 
por defecto, ya que para los expertos resulta importante observar la forma de la 
secuencia llevada a cabo por el paciente en la prueba. Es por ello que el fondo que 
determina la línea y los ejes se le adjudica un tono de color vistoso que lo diferencie del 
fondo. 
  

 
Figura 64. Representación del Rango de Movimiento del paciente con cálculos estadísticos de distribución. 

 

Además, otro factor analítico de interés en este contexto es la distribución del ratio de 
flexión-contracción instantáneo, o lo que es lo mismo, la cantidad de ejercicio que 
realiza cada uno de los dos músculos de forma instantánea en comparación con el 
máximo realizado tras la fatiga muscular. 



89 
 

Este concepto puede servir de ayuda para comprobar anomalías como la que se 
observan en la figura 65, donde a pesar de tener un nivel promedio del 50,3%, el 
paciente posee una distribución de ratios totalmente desigualada, destacando el músculo 
izquierdo totalmente sobre el derecho. 
Una vez más, se utiliza el gráfico de líneas, pero esta vez complementado perfectamente 
con descripciones como las mostradas abajo, de modo que se desglosen numéricamente 
los más importantes tomados en la prueba para así servir de ayuda para el usuario 
especialista. 
 

 
Figura 65. Descripción de valores de cada músculo y representación de la distribución de IR instantáneo. 

 
Así pues, otra comparación interesante se posibilita al representar las señales EMG de 
los músculos de forma aislada y buscando la proporción con el MVC máximo histórico, 
tal y como se ha comentado en el apartado 4.5 de análisis de datos. De esta forma, 
fácilmente se puede comprender el margen que tiene cada músculo para trabajar bajo 
condiciones normales. 

El gráfico de líneas de la figura 66 muestra esto y también corrobora la anterior, 
contemplándose un menor margen por parte del músculo izquierdo y el doble de carga 
de trabajo por su parte que por la del derecho. 



90 
 

Vemos, por tanto, que el conjunto de gráficos correspondientes a las figuras 65 y 66 son 
análogos y se complementan perfectamente entre sí, estableciendo un mismo tipo de 
gráfico desde dos perspectivas distintas. 

 

 
Figura 66. Descripción de valores de cada músculo y representación de la distribución de IR instantáneo. 

 
Pasando a las señales de tipo RMS, se representa mediante la siguiente figura un 
modelo estadístico donde se aprecian los picos máximos y mínimos de cada una de las 
señales, así como el nivel promedio de la distribución. Se puede notar en este tipo de 
representación un mayor nivel de suavizado en las señales, y es que, tal y como se ha 
comentado previamente, en este punto se pasa de tener un tamaño de ventana de 0,05 
segundos propio de las señales EMG, a uno de 1 segundo que caracterizan las señales 
RMS. 

Siguiendo con los gráficos de líneas, el suavizado aquí se aprecia en la continuidad de la 
propia línea, y es que al fin y al cabo existen muchos menos puntos a representar. Este 
concepto es de gran ayuda en la percepción del gráfico, ya que los representados 
anteriormente requieren de un mayor nivel de atención, mientras que el gráfico RMS 
categorizado de la misma forma es mucho más fácil de asimilar. 
 

 
 

 
 



91 
 

 

 
Figura 67. Representación de las señales RMS de la prueba isotónica con modelo de tendencia lineal. 

 
Este suavizado de señal permite, también permite mostrar con mayor nitidez y facilidad 
gráfica ciertos elementos estadísticos como por ejemplo las líneas de tendencia 
observadas en la figura de arriba para cada uno de los músculos.   

Por otro lado, una forma alternativa y también de utilidad para visualizar el estado de 
los músculos es mediante el uso del que hasta ahora acostumbramos como eje vertical 
representado en modo horizontal, para así contemplar el tamaño de muestras desde la 
perspectiva de la simetría de los mismos. Teniendo en cuenta que estamos tratando con 
músculos izquierdo y derecho, una buena opción podría ser la siguiente: 
 



92 
 

 
Figura 68. Histograma horizontal que representa la simetría de muscular en la prueba isotónica del paciente. 

 
Estableciendo el mismo orden de eje horizontal para los dos músculos se puede 
contemplar en este histograma que la distribución no es ni mucho menos simétrica, sino 
que tiende a ser trabajada mayoritariamente por la parte izquierda. Esto también se 
corrobora mediante la banda de desviación típica, que al ser de un rango más amplio 
indica que trata valores más dispares con respecto a la mediana. 

Esto se justifica debido a que los histogramas, al cambiar los ejes, pueden servir de 
comparación y mostrar simetría en lugar de evolución temporal. El ser humano tiende a 
concebir el tiempo como eje horizontal, mientras que el vertical es más intuitivo 
asociarlo a un valor útil, y en este caso, al estar el eje vertical centrado, la visualización 
es un balance.  
Como última opción, se propone el uso de un diagrama de cajas para comprobar la 
distribución de trabajo de los músculos durante una prueba, y esto tiene la misma 
prueba de concepto que lo anterior: prescindir del eje temporal y centrarse en los valores 
útiles de la distribución. 

 



93 
 

 
Figura 69. Representación de diagramas de cajas para observar el rango de trabajo de los músculos. 

 

4.8.3 Comparación entre dos pacientes 
Una vez visto el anterior repertorio de informes, se puede llevar a cabo una propuesta 
muy interesante en este ámbito de la Medicina del Deporte: la comparación entre casos 
de pacientes para la obtención de patrones estadísticos que sirvan de precedente para la 
exploración de patologías y detección de singularidades. 

En este caso, al igual que el conjunto de etiquetas de datos es una combinación de las 
tratadas en los dos anteriores subapartados, las reglas de similitud que conforman la 
caracterización de gráficos también lo son. De cualquier modo, para este subapartado 
cabe destacar que: 

1. La comparación entre los dos pacientes se indica mediante su id, que se puede 
reflejar mediante etiqueta de texto para así aprovechar el resto de propiedades 
del gráfico y mostrar más dimensiones y/o medidas. 

2. Para no tener un elevado número de formas se representa el promedio de los dos 
músculos de cada uno de los dos pacientes – izquierda y derecha – con tal de no 
crear confusión con demasiados puntos y conseguir una comunicación clara. 

Se puede comenzar dando paso a este tipo de herramientas visuales mediante la 
descripción básica de cada uno de los pacientes, comparando etiquetas semánticas 



94 
 

básicas y también otras sintácticas que hagan permitan obtener una visión general de 
ante qué tipo de paciente se encuentra el experto. 
Es cierto que en este caso se toman como muestra dos pacientes contextualmente bien 
diferentes para ver comprobar la utilidad de las representaciones visuales en función del 
contexto y las características sintácticas que proporcionan las pruebas EMG, pero 
realmente no tendría por qué ser así. Una forma “objetiva” de saber ante qué tipo de 
paciente nos encontramos es mediante el RMS promedio divido por el número de 
segundos de la prueba en cuestión.  
 

 
Figura 70. Descripción básica de los dos pacientes y sus niveles RMS/s promedio. 

 

Para entrar más en detalle, se puede asociar la etiqueta semántica del nivel de dolor al 
nivel RMS promedio – en el eje vertical como parámetro cuantitativo principal – y 
también a otro parámetro sintáctico muy importante, el MVC promedio de cada una de 
las pruebas. Aquí, al desglosar en el eje horizontal por prueba, se necesitan puntos 
dispersos que caractericen mediante la forma el nivel de dolor, y mediante un degradado 
de colores el rango de niveles MVC como un parámetro cuantitativo asociado. 



95 
 

 
Figura 71. Representación de los niveles RMS promedios asociado al nivel de dolor y MVC de cada prueba. 

 

Algo prácticamente igual ocurre si en lugar de disponer del nivel de RMS promedio, se 
tiene el nivel MVC máximo como valor cuantitativo primario, y se complementa en este 
caso con el FRR promedio como etiqueta asociada. Desde el punto de vista analítico, 
aquí se permite al experto comparar entre el máximo nivel de contracción (MVC) y la 
capacidad de extensión (FRR) del paciente en la prueba, por lo que solamente la 
uniformidad de la posición de los puntos ya debe dar una idea clara del estado de fatiga 
de los músculos. 

 
Figura 72. Representación de los niveles MVC máximos asociado al nivel de fatiga muscular y FRR. 



96 
 

Por último, otro aspecto a representar es la combinación de ángulos onset y offset y la 
estrecha relación que guardan los tiempos de cambio de estos ángulos con el periodo de 
silencio. 

La combinación se plantea de forma que estos valores sintácticos se puedan relacionar 
con la etiqueta semántica de condición física, por lo que a ésta se le asigna el atributo de 
color, modo que: 

1. Por un lado, se hace uso de un gráfico de puntos donde se disponen de los 
ángulos onset y offset en ejes cartesianos paralelamente a los tiempos de cambio 
asociados.  

2. Por otro lado, se dedica un gráfico de dos burbujas que, mediante el tamaño de 
las mismas, indica el periodo de silencio promedio de los dos músculos sobre 
cada uno de los pacientes. 

 
Figura 73. Representación de niveles onset y offset promedio de los músculos, así como el periodo de silencio. 

 

4.8.4 Comparación entre un paciente y el resto de población 
Otra propuesta muy interesante en nuestro contexto de aplicación es la comparación de 
un caso aislado de paciente con los niveles promedios de población en su totalidad, para 
así tener un mayor nivel de abstracción analítico y obtener explicaciones sobre 
determinados niveles sintácticos o plantear hipótesis sobre segmentos de población en 
función de ciertas características semánticas. 



97 
 

En este caso, las reglas de similitud que conforman la caracterización de gráficos 
correspondientes a este tipo de informes también son una combinación de lo anterior. 
Destacar que: 

1. En este caso la etiqueta de id no funciona de la misma forma que en el caso 
anterior. Ahora no equivale a dos valores aislados, sino que son todos los 
identificadores de la población, por lo que en la visualización se ha filtra cada 
etiqueta por el id del paciente seleccionado y luego, por otro lado, se toman los 
valores promedios de la población. 

2. Aquí se combinar en mayor medida la cantidad de etiquetas sintácticas y 
semánticas, ya que es un caso de gráficos mixto que se puede explotar 
generando explicaciones a modo bidireccional. Esto es, por un lado, desde la 
perspectiva en la que el paciente puede destacar en etiquetas que se encuentran 
dentro de unos límites casi preestablecidos en la población (como por ejemplo 
en altura y/o peso); y por otro, desde el punto de vista en el que ciertas etiquetas 
del paciente (como la ocupación) pueden resultar determinantes para el resto de 
la población. 

El primer conjunto de gráficos generado se corresponde de la misma forma al anterior, 
con la peculiaridad de que en las etiquetas de texto de la población se añaden 
porcentajes con los niveles de alteración y lesión.  

 
Figura 74. Descripción básica de un paciente en comparación con la población. 

 
Por otro lado, para representar la singularidad de los niveles históricos de MVC del 
paciente con respecto al resto de población, se puede utilizar un diagrama de caja y 
bigotes combinado con puntos en los que se caracterice a dicho paciente con el atributo 



98 
 

del color, de la misma forma que antes. Así pues, este gráfico también permite 
contemplar si el nivel promedio del paciente se encuentra dentro de los niveles normales 
del modelo de distribución que dibuja el resto de población. 

Además, para desglosar estos niveles MVC a modo de comparativa, el diagrama de caja 
se complementa con un gráfico de barras en el que se recojan las tres pruebas realizadas, 
en el eje horizontal, y sus niveles MVC promedio de los dos músculos, en el eje 
vertical. 

 
Figura 75. Representación de los niveles de MVC entre el paciente y la población. 

 

Una vez visto esto, se pueden mapear los niveles de las pruebas isométricas, donde 
requiere un elevado esfuerzo por parte de las cervicales, con la condición física del 
paciente. Aquí se plantea la combinación de las dos pruebas isométricas en cada uno de 
los ejes (de forma indiferente, pero siempre siguiendo el mismo patrón) para representar 
toda la población de pacientes en la rejilla. 
De este modo, con el atributo de color se puede distinguir la condición física de cada 
uno, complementando líneas de tendencia para cada uno de los segmentos de población. 
Aquí, una forma de singularizar al paciente es con la combinación de etiqueta de texto y 
cambio de forma; pues todos los casos están representados mediante objetos con forma 
de circunferencia mientras que el paciente a destacar tiene asociada forma cuadrada. 



99 
 

 
Figura 76. Representación de los niveles RMS promedio en pruebas isométricas para asociarlo a la condición 

física de los pacientes. 

 

 
Por último, se representa un diagrama de burbujas en el que se pretende contextualizar 
la capacidad de extensión promedio de los dos músculos de los pacientes en la 
población, y destacar mediante etiqueta de texto el paciente en cuestión. Para ello, entra 
en juego la etiquetas de FRR y se decide complementar con la profesión de los pacientes 
y sus posibles problemas ergonómicos.  

En un diagrama de burbujas, tal y como ya se ha dicho, se caracteriza el tamaño de las 
burbujas mediante el número de pacientes. La etiqueta cuantitativa es la correspondiente 
al FRR, por lo que se caracteriza con el atributo de color mediante un rango en tonos 
graduales. Por su parte, la etiqueta de problema ergonómicos se puede caracterizar por 
columnas ya que se define siempre mediante dos valores, o afirmativo, o negativo. Por 
último, la etiqueta de profesión es un atributo de texto en cada una de las burbujas. 



100 
 

 
Figura 77. Representación de la capacidad de extensión de los músculos cervicales por profesión y ergonomía. 

 

4.8.5 Ejemplo pormenorizado de utilización de los informes 
Una vez estudiadas las formas de visualización susceptibles a ser reutilizadas y 
adaptadas según el modelo de informe requerido, se propone a continuación un ejemplo 
sencillo que permite comprobar el verdadero funcionamiento del mecanismo 
implementado. En él, el experto médico realiza una solicitud al sistema y recupera el 
informe correspondiente unos determinados huecos a completar con los gráficos 
guardados en la base de casos.  

Para simplificar y seguir una misma línea de ejemplo, se propone el mismo caso que el 
comentado al final del subapartado 4.7.2, es decir, un informe de inspección de un 
paciente de manera individual. De este modo, se procede a realizar dos peticiones de 
pacientes distintos para comprobar que mediante el mismo procedimiento de consulta se 
pueden obtener gráficos distintos, adaptados a cada uno de los pacientes en función de 
las características propias y atendiendo a determinadas reglas de similitud. 

Antes de nada, observemos el lenguaje de etiquetas que permite la comunicación entre 
el fisioterapeuta con el sistema para la reutilización de gráficos, y que por tanto forma 
parte del sub-ciclo CBR:  



101 
 

 
 

Figura 78. Etiquetas de lenguaje fisioterapeuta-sistema para la reutilización y adaptación de gráficos. 

 

Supongamos que el fisioterapeuta desea obtener un gráfico sobre el paciente con ID 
360, por lo que primeramente realiza la petición que consigue suplantar lo que sería la 
recuperación de una plantilla de informe.  
Hasta este punto se tienen, por tanto, las etiquetas de Informe, Inspección, Paciente, 
360. 
 

 
Figura 79. Etiquetas: Informe, Inspección, Paciente, 360. 

 
Una vez se actualizan todas las fuentes de datos con la caracterización adecuada, el 
sistema ya conoce los gráficos candidatos a ser reutilizados, pues son aquellos que 
coincidan con las etiquetas que se tiene hasta ahora. De manera seguida, lo que se 
pretende recuperar es el gráfico que se adapta a los huecos de este tipo de informe para 
este único paciente. Es por ello que el fisioterapeuta, que en mayor o menor medida 
conoce el funcionamiento del sistema, ha de decidir si recuperar un gráfico de análisis 
básico, uno que defina el rango de movimiento (ROM) del paciente, u otro que se 
encargue de definir los niveles RMS que el paciente ha ejercido en la prueba. 
Pues bien, supongamos que elige la tercera de las opciones, la del análisis RMS dentro 
de la prueba EMG (en este caso isotónica, por simplificar el proceso). Esta etapa del 
proceso supone un punto de inflexión para el fisioterapeuta, ya que dispone de tres 
opciones para continuar con el análisis. 

1. La primera de ellas se corresponde con un análisis en el que se recupera 
automáticamente un gráfico de líneas que muestra la evolución temporal de la 



102 
 

prueba RMS para cada uno de los músculos – izquierda y derecha – con las 
etiquetas estadísticas que componen dicho análisis. 

2. La segunda forma de análisis se corresponde con un gráfico de barras 
horizontales (histograma) que muestra los niveles de ambos músculos – 
izquierda y derecha – de modo que represente la distribución de cada uno de 
ellos en un vistazo general. 

3. Por último, la tercera opción permite al fisioterapeuta “confiar” en cierto modo 
en el sistema y otorgarle la capacidad de decisión en el gráfico a elegir para 
comprobar el rendimiento de los músculos. Esta decisión puede ser útil a la hora 
de un experto médico elegir un gráfico para posteriormente realizar análisis más 
profundos en función de la situación de equilibrio/desequilibrio de los músculos 
izquierdo y derecho. Es decir, a pesar de que no es un indicador para conocer de 
primera mano si el paciente se encuentra sano o enfermo, esta elección tiene la 
firmeza suficiente como para permitir al fisioterapeuta indagar en unos aspectos 
u otros. 

De esta forma, se elige para el paciente 360 la visualización RMS que permite al 
sistema elegir entre un gráfico u otro en función de una regla de similitud.  

Hasta este punto se tienen, por tanto, las etiquetas de Informe, Inspección, Paciente, 
360, Gráfico, RMS, Verificación. 

 
 

 
Figura 80. Etiquetas: Informe, Inspección, Paciente, 360, Gráfico, RMS, Verificación. 

 
En este punto entran en juego las reglas de similitud establecidas. Si la diferencia 
porcentual entre los músculos del paciente 360 supera el 50%, estamos hablando de que 
posee un desequilibrio elevado, mientras que si no lo supera nos encontramos ante un 
paciente cuyos niveles RMS son fácilmente representables y comparables en una línea 
de tendencia temporal, tal y como se muestra en la siguiente figura: 



103 
 

 
Figura 81. Representación del gráfico recuperado para el paciente 360. 

 
Se puede observar que ambos músculos se encuentran dentro del mismo promedio de 
valores, y que las líneas de regresión poseen una pendiente muy similar. Es por ello que 
se puede decir que las señales RMS del paciente 360 se encuentran dentro del umbral de 
“normalidad”. 
In, Supongamos que el fisioterapeuta desea obtener un gráfico sobre el paciente con ID 
363, por lo que de nuevo realiza la petición que consigue suplantar lo que sería la 
recuperación de una plantilla de informe para este otro paciente.  

 

 
Figura 82. Etiquetas: Informe, Inspección, Paciente, 363. 

 

Seguidamente, se vuelven a actualizar todas las fuentes de datos con la caracterización 
adecuada para volver a conocer los gráficos candidatos. Suponemos el mismo caso que 
antes: la recuperación de un gráfico RMS en el que el sistema nos ayude a conocer a 
prior el estado de equilibrio muscular del paciente. Esto implica que el fisioterapeuta 
siga el mismo procedimiento que el indicado anteriormente y se disponga de las 
etiquetas siguientes: Informe, Inspección, Paciente, 363, Gráfico, RMS, Verificación. 

La esencia de este pequeño ejemplo es que para el paciente 363 se cumpla el caso 
contrario al establecido en la regla de similitud para el paciente 360, es decir, que tenga 
un nivel de desequilibrio muscular mayor a 50 puntos porcentuales. 



104 
 

Contemplamos la decisión gráfica que devuelve el sistema: 

 

 
Figura 83. Representación del gráfico recuperado para el paciente 363. 

 

Se observa que en este caso el gráfico elegido representa dos diagramas de cajas en los 
que se puede ver la completa discrepancia en cuanto a niveles RMS de los músculos 
izquierdo y derecho. Por una parte, la distribución de niveles del músculo izquierdo se 
encuentra en todo momento por encima del promedio de la distribución del músculo 
derecho; y por otro lado, la distribución de niveles del músculo derecho recae por 
debajo del promedio de la distribución del músculo izquierdo. 

Además, este análisis de desequilibrio muscular puede resultar útil incluso para detectar 
posibles fallos en la ejecución de las pruebas EMG, ya que en caso de que existieran 
demasiados valores atípicos (fuera de los bigotes), podría catalogarse como una prueba 
fallida.  



105 
 

Capítulo 5. Legalidad en el contexto 

El estudio práctico que conforma este Trabajo Final de Máster se basa en un caso de 
población real, y por tanto, para su desarrollo se toman conjuntos de datos totalmente 
verídicos. Tal y como se ha visto en el anterior capítulo, los datos caracterizados y 
representados visualmente son de carácter personal y, como fruto de ello, altamente 
valiosos. Además, en este tipo de procedimientos es un hábito muy común el hecho de 
que sean objeto de manejo mediante diversas plataformas tecnológicas, por lo que 
también se puede decir que tienen un gran alcance y son susceptibles a ser tratados en 
situaciones muy dispares. 

Es por ello que la gestión de los datos recogidos tanto en este proyecto como en 
cualquier proceso de un sistema sanitario con actuación en el campo de la Medicina del 
Deporte se encuentra sujeto a normativas reguladoras impuestas tanto en España como 
por parte de la propia Unión Europea en lo referente a la protección de dichos datos.  

Por este motivo, y sumándole que en el presente año la nueva regulación de protección 
de datos ha pasado a ser totalmente aplicable, mediante el presente capítulo se procede a 
repasar los fundamentos y procedimientos legales que implican el tratamiento y la 
exposición de este tipo de datos.  

 

5.1 Anonimización de los datos 
Antes de nada, cabe destacar que los datos tomados en este proyecto son gestionados 
íntegramente por mDurance, tanto desde la perspectiva del procesamiento como por la 
parte del almacenamiento y tratamiento de los mismos. Es por ello que los partícipes de 
este Trabajo Final de Máster han sido autorizados explícitamente por el Delegado de 
Protección de Datos (DPO) de mDurance para capturar datos únicamente de los sujetos 
que forman parte del experimento de investigación que abarca el presente Trabajo Final 
de Máster, pero en ningún momento de ningún otro paciente en relación con mDurance 
o cualquiera de las clínicas que cuentan con el servicio de su plataforma digital. 
 

5.2 Punto de partida 
Los conjuntos de datos que se ponen sobre la mesa en este trabajo son realmente de 
carácter personal, ya que contienen información numérica, alfabética, y sobre todo 
gráfica, aplicando tanto a personas identificadas como identificables [57]. Esto implica 
que los partícipes de un experimento como el nuestro posean el derecho fundamental a 
la protección de datos [58], el cual establece que todo paciente posee la facultad de: 

• Controlar sus datos personales 
• Disponer de dichos datos. 
• Decidir sobre todos estos datos. 

A día de hoy el cumplimiento de este derecho fundamental en nuestro país tiene como 
tutela la Agencia Española de Protección de Datos (AEPD), que posee la autoridad de 
controlar el cumplimiento de toda la normativa sobre protección de datos personales. La 
base constitucional conforma el pilar fundamental sobre el que se sustenta [59]: 



106 
 

“Art 18.4 de la Constitución Española: La ley limitará el uso de la informática para 
garantizar el honor y la intimidad personal y familiar de los ciudadanos y el pleno 

ejercicio de sus derechos.” 

Esta base tiene aplicación mediante los reglamentos encargados de asegurar una serie de 
derechos fundamentales para los ciudadanos, los cuales son objeto de estudio en 
subapartados posteriores. No obstante, antes de pasar a un análisis de la regulación en 
mayor profundidad es recomendable tener clara la diferenciación de roles que aplican a 
nuestro experimento en materia legislativa: 

 
Rol Definición Correspondencia 

Interesado/Afectado 
Persona física a la cual pertenecen 
los datos recogidos en la prueba 
médica 

Paciente 

Responsable de los 
recursos 

Entidad encargada de la recolecta y 
la formalización de los datos mDurance 

Encargado del 
tratamiento de los 
datos 

Persona comprometida tanto al 
almacenamiento y mantenimiento de 
los datos como al seguimiento de 
buenas prácticas en todos los 
procedimientos. 

Autor de este Trabajo Final 
de Máster 

Usuario Persona autorizada para acceder al 
historial clínico y otros recursos 

Autor de este Trabajo Final 
de Máster  

Responsable de la 
seguridad de los 
recursos 

Entidad a la que el interesado asigna 
consentimiento formalmente desde 
un primer momento al requerir uno 
de sus servicios 

mDurance 

Tabla 11. Correspondencia de roles en el presente TFM desde el punto de vista legislativo. 

 

5.3 Antecedentes reguladores: LOPD 
La regulación de protección de datos que aplicaba hace unos meses en día se enmarca 
según dos bases normativas [60]: 

1. “Ley Orgánica 15/1999, de 13 de diciembre, de Protección de Datos de carácter 
Personal (LOPD)”. 

2. “Real Decreto 1720/2007, de 21 de diciembre, por el que se aprueba el 
Reglamento de desarrollo de la LOPD”. 

Básicamente, la LOPD implica cumplir una serie de premisas. No es objeto de este 
trabajo tratarlas en profundidad, pero sí definirlas para valorar el importante rol del 
responsable de datos y también ver a posteriori la evolución en los cambios legislativos 
[61]. 

Estas premisas se basan en: 

• Inscripción de los ficheros en la AEPD. 
• Nivel de consideración en los datos especialmente protegidos. 
• Acceso a los datos por cuenta de terceros. 
• Calidad de los datos en todo su proceso. 
• Seguridad de los datos según niveles. 



107 
 

• Cumplimiento de los derechos ARCO: Acceso, Rectificación, Cancelación y 
Oposición. 

• Deber de información al interesado. 
• Deber de secreto en cualquier fase del tratamiento. 
• Consentimiento tácito del afectado. 
• Control total en la comunicación de los datos. 
• Control especial en la transferencia internacional de los datos. 

 

5.4 Nueva regulación en vigor: GDPR 
A partir del 25 de mayo de 2018 se convirtió en plenamente aplicable el Reglamento 
UE 2016/679 del Parlamento Europeo y del Consejo; o lo que es lo mismo, el 
Reglamento General de Protección de Datos (GDPR), de 27 de abril de 2016 [62], 
relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos 
personales y a la libre circulación de estos datos y por el que se deroga la LOPD.  
En dicho Reglamento, se definen los datos correspondientes a la Medicina del Deporte 
como aquellos relativos a la salud física o mental de un individuo que proporcionen 
información acerca de su salud mediante cualquier prestación de servicios de atención 
sanitaria [63]. El GDPR, a diferencia de la LOPD, define este tipo de datos en los 
puntos 53 y 54 como Especialmente Protegidos, motivo por el cual se tengan que 
cumplir una serie de condiciones adicionales para su tratamiento.  
Bien es cierto que en la aplicación del cambio legislativo algunas de las premisas 
básicas establecidas en la LOPD se mantienen: como los derechos ARCO, el deber de 
secreto y la inscripción de ficheros. No obstante, también se modifican e intensifican 
otros muchos aspectos que se han de tener en consideración. Se resumen a continuación 
para contemplar cómo afectan en nuestro caso de estudio. 

 

5.4.1 Consentimiento explícito 
La primera novedad destacable es que, recurriendo al artículo 9 del GDPR [64], el 
consentimiento debe ser manifestado de manera por el interesado de manera explícita y 
recogida por escrito. Únicamente se podría encontrar implícito para proteger intereses 
vitales, tanto del interesado como asociados; y para fines de medicina preventiva, 
asistencia laboral e interés público [65]. 

Por la parte que nos influye, esta indispensable tarea se ha realizado con todos y cada 
uno de los pacientes de forma prioritaria, pues cada uno de ellos firmó consentimiento 
para realizar el experimento a través del soporte digital que mDurance ofrece en su 
aplicación móvil.  

 

5.4.2 DPO 
Otra de las nuevas introducciones del GDPR es la figura del DPO [66]; encargado, 
según los artículos 37, 38 y 39, de prestar ayuda y soporte a los responsables de ficheros 
sobre el cumplimiento de la normativa. En este caso el DPO requiere de formación y 
competencias específicas con tal de conseguir que mDurance se adapte a la nueva 
legislación como proveedor de herramienta de salud digital, evitando así cualquier 



108 
 

conflicto de intereses entre otros grupos de trabajo, como bien son los involucrados en 
este Trabajo Final de Máster.  
 

5.4.3 Aumento del nivel de información 
Además, con el nuevo Reglamento los pacientes tienen el derecho de recibir una 
cantidad de información más elevada por parte de los responsables de sus datos [67], 
como por ejemplo: 

• Identidad y datos del DPO. 
• Base jurídica para el tratamiento. 
• Plazos de conservación de la información. 
• Existencia de decisiones automatizadas. 
• Previsión de transferencia internacionalmente. 
• Derecho a presentar una reclamación ante la Autoridad de Control. 

En la realización del experimento, a todos y cada uno de los partícipes se les informó 
del objetivo académico que tiene el experimento, comunicando explícitamente que los 
datos personales son tomados con tal de ser caracterizados y representados tanto de 
forma individual como junto a otros de un mismo tipo de una población. 

Esto se ha hecho de forma primordial, antes la ejecución de cualquier prueba EMG. 
Además, se presentó mDurance como entidad a cada uno de los pacientes, el tremendo 
potencial que posee su herramienta de salud digital, y la garantía de fiabilidad en la 
protección de sus datos. 

 

5.4.4 Medidas organizativas y de seguridad 
Por otro lado, con la nueva regulación ya no se estipulan medidas de seguridad por 
niveles, sino que aplican medidas en función del riesgo que puedan ocurrir en el 
tratamiento de datos. Es por ello que nuestros datos, al considerarse Especialmente 
Protegidos, son objeto de diseño en base a unas medidas organizativas y de seguridad 
conforme a al riesgo que aplique en cada nivel de vulnerabilidad. 

Es por esto que, de forma general, perfiles sanitarios como mDurance se ven obligados 
a cumplir internamente con unas implicaciones técnicas basadas en unas estrategias 
determinadas con tal de evitar brechas de seguridad que originen la destrucción, pérdida 
o modificación de forma accidental de los datos personales de los deportistas. Esto no 
solamente aplica a los datos recogidos en este experimento sino sobre todos aquellos 
asociados a su arquitectura tecnológica de recogida, almacenamiento y tratamiento de 
datos. 

Estas estrategias son [68]: 

• Minimizar la cantidad de datos personales recogidos. 
• Agregar procesos técnicos a los datos. 
• Ocultar los datos y sus interrelaciones para que no queden visibles. 
• Separar los datos personales de forma distribuida. 
• Informar a los interesados para proporcionar transparencia. 
• Permitir y dar soporte al interesado para que pueda controlar sus datos. 
• Cumplir con la política de privacidad. 



109 
 

• Demostrar el cumplimiento del Reglamento. 
Así pues, en la tabla siguiente se plasman estas estrategias enlazadas con cada una de las 
técnicas de implementación oportunas según el nivel en el que se encuentre el proceso 
de tratamiento de datos: 

 
Capa Estrategia Implementación 

Fuente de datos 

Minimizar 
Minimizar 
Agregar 
Ocultar 
Ocultar 
Controlar 
Informar 

Selección minuciosa de los datos 
Monitorización continua del nivel de riesgo 
Pseudoanonimización 
Herramientas de cifrado 
Herramientas Enmascaramiento 
Recabar consentimiento del afectado 
Transparencia para el afectado 

Integración capas 
de servicio 

Agregar 
Ocultar 

Pseudoanonimización 
Herramientas de cifrado 

Almacenamiento 
Cloud 

Ocultar 
Ocultar 
Separar 

Mecanismos de cifrado 
Autenticación y control de acceso 
Almacenamiento distribuido 

Explotación de 
datos Agregar Pseudoanonimización 

Tabla 12. Implementación tecnológica y equivalencias en el caso que ocupa. 

 

Es importante destacar que la capa donde mayor número de técnicas hay que emplear es 
la primera, la relativa al origen de los datos, pues como ya se sabe los dispositivos 
médicos de sensado en el mundo de Internet of Things son notablemente heterogéneos 
en cuanto a firmware, sistema operativo empleado, protocolos de comunicación, 
parches de seguridad… [69]. Esto, y así como todos los puntos comentados en la tabla 
12, claramente aplica a nuestro caso de estudio de EMG. De esta forma, en el transcurso 
del trabajo se aplican las medidas de protección en función de: 

• Protección desde el diseño y por defecto (Artículo 25): En este proyecto se 
persigue el fin establecido desde un primer momento, representar gráficamente 
los datos de los pacientes, lo cual no implica usar los datos en cualquier otra 
medida. Así pues, se estipula la regulación del tratamiento de datos por cuenta 
del destinatario y cumpliendo las directrices reguladoras que también sigue 
mDurance. 

• Seguridad de tratamiento (Artículo 32): Se conocen y contemplan en todo 
momento los riesgos de brechas de seguridad que existen en el tratamiento. Para 
asegurar esto, se trabaja en todo momento con plataformas tecnológicas 
sofisticadas que aplican técnicas de pseudoanonimización y cifrado; evitando en 
todo momento el manejo de datos desde fuentes desconocidas. Es por esto que 
en nuestro proyecto se puede garantizar la disponibilidad de los sistemas para 
cumplir la integridad y acceso a datos en el proceso de tratamiento.  

• Violación de la seguridad de los datos (Artículos 33 y 34): Para evitar violar la 
intimidad de los pacientes, bajo ningún concepto se muestra algún tipo de 
enfermedad, dolor o alteración. Es más, las cantidades de datos se minimizan 
siempre que se puede, evitando en todo momento representar nombres o 
identificadores de correo electrónico. 



110 
 

• Evaluación del impacto (Artículo 35, merece ser comentado con más 
detenimiento). 

 

5.4.5 Evaluación del impacto 
Con el artículo 35 de la GDPR se incluye un análisis de riesgo que toda entidad 
sanitaria debe llevar a cabo con el objetivo de permitir a los responsables del 
tratamiento poder tomar las medidas oportunas para reducir los riesgos: La Evaluación 
del Impacto en la Protección de Datos (EIPD) [70]. 
Se trata de una metodología que permite evaluar anticipadamente las etapas en las que 
los datos son susceptibles a encontrarse bajo amenaza. Para el caso que nos ocupa se 
tendría que realizar de forma cíclica, pues en el campo sanitario se toman decisiones 
automatizadas y se tratan datos personales a gran escala, lo que se traduce a un riesgo 
para los derechos de los afectados. 

Es por ello que esta metodología es constante y se constituye por la identificación de 
amenazas y la evaluación y tratamiento de riesgos (en caso de haberlos). Las medidas y 
protocolos de seguridad que se lleven a cabo se han de plasmar en un Documento de 
Seguridad a disposición de la AEPD para su consulta. 

 

5.4.6 Comunicación de los datos personales 
La comunicación de datos entre entidades sanitarias no está destinada al interés legítimo 
de éstas para intereses laborales o comerciales. Nuestro caso se corresponde con la 
única excepción contemplada en la regulación, es decir, la comunicación de los datos 
entre una entidad clínica (mDurance) y una institución pública (Universidad 
Complutense de Madrid) cuyo proyecto de investigación en común tiene por objeto 
proporcionar facilidades a los expertos médicos en lo referente a la prevención, 
diagnóstico y asistencia sanitaria. 



111 
 

Capítulo 6. Conclusiones 

Por último, a modo de valoración global se destacan los aspectos fundamentales 
conseguidos con la realización de este documento. A modo de recapitulación, el autor 
de este Trabajo Final de Máster: 

1. Tiene como origen de motivación los puntos comentados en el primer capítulo. 
2. Se ha sumergido en un proceso de investigación y documentación sobre el 

marco teórico justificado en el capítulo 2. 
3. Ha caracterizado mediante el tercer capítulo una metodología sobre la que 

realizar casos aplicables al objetivo general genérico propuesto en el proyecto. 
4. Ha sido partícipe de un experimento perteneciente al ámbito de la Medicina del 

Deporte, el cual ha sido estudiado en el cuarto capítulo, y el que posee como 
forma de particularización la metodología propuesta. 

5. Se ha documentado profundamente en la materia legislativa que implica manejar 
conjuntos de datos especialmente protegidos como son los que abarca el estudio 
práctico. 

Todo esto ha permitido realizar un análisis completo sobre un área de estudio 
importante situada dentro del rango de potenciales que posee el mundo del Internet de 
las Cosas. Aquí, los conjuntos de datos procedentes de numerosas fuentes y dispositivos 
suponen un alto nivel de heterogeneidad en las integraciones e implican en muchas 
ocasiones una interpretación por parte del usuario final a modo de cajas negras. Es 
precisamente por esto que los sistemas Case-Based Reasoning juegan un papel 
importante en la generación de explicaciones, las cuales se establecen en una base de 
conocimiento que se retroalimenta de manera continua mediante la experiencia de casos 
anteriores. 
En el caso que ocupa el proyecto, se ha comprobado que la metodología CBR, como 
conjunto de técnicas inteligentes, se adecúa muy correctamente a cualquier entorno IoT 
donde existan conjuntos de datos masivos que puedan ser incorporados a plantillas de 
informes recuperables y reutilizables. La metodología utilizada para ello es el propio 
ciclo CBR general mediante el cual cada una de las plantillas de informes tiene 
asociados unos elementos explicativos en forma de texto y gráficos. Ya se sabe que este 
Trabajo Final de Máster se engloba dentro de un proyecto de investigación con líneas de 
trabajo complementarias que se dedican a la implementación de dicho ciclo CBR 
general; y que el presente proyecto se dedica a plantear y diseñar explícitamente el sub-
ciclo CBR que se encarga de la reutilización y adaptación de elementos gráficos.  
Es por ello que, para la incorporación de elementos visuales en los informes, el sub-
sistema CBR se ha de complementar con la ciencia DataViz, que supone un punto de 
inflexión en la capacidad de razonamiento humana ya que posibilita la generación de 
explicaciones visuales como forma de inteligencia. Es por ello que en el transcurso del 
proyecto se han estudiado las técnicas más importantes desde el punto de vista de la 
percepción humana y su relación con todos los atributos propios de los elementos 
gráficos. 

En el proyecto se ha explicado un sistema genérico e independiente del dominio que 
sigue una metodología CBR aplicable a cualquier caso de uso donde prime la 
recuperación de plantillas de informes. Aquí se ha intensificado en el diseño de la fase 
del ciclo enfocada a la reutilización y adaptación de las visualizaciones, lo que supone 



112 
 

un sub-sistema CBR de recuperación de los gráficos candidatos al hueco de informe a 
completar, la correcta elección mediante adaptación, la revisión del gráfico elegido y la 
retroalimentación mediante la interacción que el usuario realiza con el gráfico.  

Así pues, en lo que respecta a la materia práctica del proyecto, se ha llevado a cabo un 
experimento que supone la prueba de concepto de esta metodología. Este caso de 
estudio permite particularizar el sub-ciclo CBR de reutilización y adaptación de 
elementos DataViz en el dominio de la Medicina del Deporte, concretamente en el 
entorno de análisis de pruebas EMG, donde se permite al experto médico la evaluación 
del rendimiento de los músculos cervicales.  

La forma en la que esta área de aplicación viene causando especial interés durante los 
últimos años en el mundo IoT se justifica con la constante incorporación de nodos y 
dispositivos encargados de la recogida de datos en este entorno, así como las múltiples 
soluciones de integración que estos wearables llevan de la mano. El desconocimiento 
por parte de los expertos hace que sientan real necesidad por disponer de informes 
donde se puedan interpretar estos datos de forma automática y con la mayor precisión 
posible, facilitando así la toma de decisiones en sus tareas. 
Es por ello que mediante el experimento desarrollado en este Trabajo Final de Máster se 
ha conseguido diseñar e implementar un prototipo de herramienta de visualización de 
datos capaz de interpretar datos pertenecientes a este entorno específico de la Medicina 
del Deporte en base a unas determinadas reglas que atienden a cuatro modelos de 
informes considerados de utilidad en el estudio.  

Para la utilización de los elementos gráficos correspondientes a cada tipo de informe se 
ha establecido una caracterización propia de cada modelo de informe que se sigue en 
todo momento para proporcionar una serie de elementos gráficos en función de la 
estructura de los datos propia de cada tipo de informe. Es importante decir que aquí 
existe una cierta acotación con respecto a los objetivos originales del proyecto, pues la 
recuperación del gráfico por lenguaje de petición de un experto médico se establece de 
forma limitada. Esto es, a pesar de que sí se ha implementado todo el conjunto de 
etiquetas que caracterizan tanto los datos como la base de conocimiento de los gráficos 
de forma totalitaria en los cuatro modelos de informes; la parte correspondiente al 
sistema de peticiones entre el médico y el sistema de reutilización de gráficos no ha 
quedado del todo completa, ya que únicamente se ha desarrollado una parte 
pormenorizada dentro del modelo de informe de inspección de un paciente individual. 

Además, el prototipo de herramienta desarrollada ciertamente permite adelantarse en la 
detección de determinadas anomalías en función de las dependencias entre los datos 
estadísticos que se han etiquetado, pero únicamente desde el punto de vista de la 
analítico. Esto supone, por tanto, un tipo de acotación con respecto al tracking de esta 
interacción del experto médico con el gráfico para que se posea capacidad y autonomía 
en el proceso de aprendizaje. 

Por tanto, se puede decir firmemente que sí se ha conseguido desarrollar un prototipo de 
herramienta que consigue facilitar la comprensión y visualización de los conjuntos de 
datos a los expertos médicos; así como favorecer la detección de determinadas 
anomalías desde la perspectiva analítica de los datos etiquetados en el sistema. No 
obstante, queda pendiente la ampliación del modelo de lenguaje común entre las 
peticiones de un experto médico y el sistema que recupera los gráficos, así como un tipo 
de soporte embebido que permita evaluar la interacción del experto con el elemento 
visual reutilizado y adaptado. 



113 
 

Por último, también se ha corroborado que la Medicina en general constituye un campo 
de gran relevancia en el ámbito IoT y en el tratamiento de datos masivo, ofreciendo una 
heterogeneidad especial e implicando un nivel de protección muy elevado. Es por este 
motivo por el cual se ha estudiado el Reglamento recientemente aplicable, que aumenta 
las obligaciones y responsabilidades para todos los procesos de tratamiento de datos, lo 
que supone una mejora en la restricción de los procedimientos propios de una entidad y 
en la comunicación de datos con otras entidades. 

 

6.1 Limitaciones 
Este ambicioso proyecto supone una línea de investigación sobre un contexto en el que 
algunos procedimientos no poseen unas pautas firmemente preestablecidas. Por un lado, 
desde el punto de vista de la recogida y procesamiento de datos, tenemos que hoy día 
constantemente se están incorporando al mercado dispositivos IoT en este dominio 
específico que se encargan de recolectar datos y enviarlos a distintas plataformas sin 
seguir un patrón fijo. Esto es, la ingesta de los conjuntos cada vez se encuentra con una 
estructura distinta, llegando a tener los datos semi-estructurados o simplemente cadenas 
numéricas que llegan sin estructurar. 
Por otro lado, también existe una limitación en el propio proceso de análisis de los datos 
EMG. En realidad, la detección de anomalías para el análisis EMG supone una fuente 
de discrepancias en determinados aspectos según la fuente de información que se 
consulte. Para la realización de este proyecto se han contrastado múltiples documentos 
de investigación y se han explicado los procesos que se consideran hoy en día más 
maduros en este aspecto.  
Con respecto a la ejecución de tareas del proyecto en materia práctica, el principal 
inconveniente ha surgido en el abandono del corresponsable de la gestión del 
experimento tras la realización del mismo, por lo que a la hora de procesar, tratar, y 
estructurar los datos ha resultado algo más costoso y ha provocado que se emplee 
tiempo en unas tareas que podrían haber estado enfocadas en la optimización de la 
adaptación de los gráficos en el sub-ciclo CBR. 
Un ejemplo de este tiempo empleado ha sido, sin ir más lejos, en la fase de procesado 
de los datos EMG, la cual ha sido un tanto tediosa sobre todo a la hora de determinar los 
tamaños de las ventanas para la correcta caracterización de los datos. Después, en la 
fase de estructuración y mapeado de las bases de datos, también ha surgido la dificultad 
de mapeado de los conjuntos de datos para establecer un patrón fijo, y es por ello que se 
ha estructurado primeramente en informes de población y paciente particular, para a 
posteriori establecer las comparaciones paciente-paciente y paciente-población. 

 

6.2 Próximos pasos 
En primer lugar, como líneas de trabajo futuro enfocadas a la mejora de los procesos 
que engloba este proyecto, destacan dos aspectos importantes. Por un lado, tal y como 
se ha dicho, la optimización de la fase de recuperación y adaptación del gráfico en base 
a un lenguaje común entre el experto médico y el sistema para poder elegir 
correctamente el tipo de gráfico a representar, lo cual supone realizar una ampliación en 
los campos de relaciones entre las necesidades del experto médico acordes a cada uno 
de los cuatro modelos de informes.  



114 
 

Por otro lado, también se ha de optimizar el enfoque de la capacidad de aprendizaje de 
la herramienta, de modo que pueda disponer de aportaciones predictivas por parte del 
sistema para así ser capaz de aumentar su grado de personalización. 

Ya se ha dicho que el entorno de trabajo utilizado para este proyecto es un banco de 
pruebas de Python. Una de las líneas de trabajo a seguir es la incorporación de este 
banco de pruebas a un entorno Cloud donde se pueda recoger datos de los sensores 
directamente, se puedan procesar, caracterizar y establecer un lenguaje común que 
procese las peticiones del experto médico en un entorno Python, para así enviarlas a 
Tableau, recuperar el dato, y devolverlo al entorno de la base de conocimiento. 

 
 



115 
 

Conclusions 

Finally, by way of an overall assessment, the fundamental aspects achieved with the 
production of this document are highlighted. As a summary, the author of this Final 
Master's Project: 

1. He has as its source of motivation the points commented on in the first chapter. 
2. He has immersed himself in a process of research and documentation on the 

theoretical framework justified in chapter 2. 
3. By means of the third chapter, he has characterized a methodology on which to 

carry out cases applicable to the general objective proposed in the project. 
4. He has participated in an experiment belonging to the field of Sports Medicine, 

which has been studied in the fourth chapter, and which has as a form of 
particularization the proposed methodology. 

5. He has been deeply documented in the legislative matter that involves handling 
specially protected data sets such as those covered by the practical study. 

All this has made it possible to carry out a complete analysis of an important area of 
study situated within the range of potentials possessed by the world of the Internet of 
Things. Here, data sets from numerous sources and devices imply a high level of 
heterogeneity in integrations and often imply an interpretation by the final user in the 
form of black-boxes. It is precisely for this reason that Case-Based Reasoning systems 
play an important role in the generation of explanations, which are established in a 
knowledge base that is continuously fed back through the experience of previous cases. 

In the case occupied by the project, it has been verified that the CBR methodology, as a 
set of intelligent techniques, is very correctly adapted to any IoT environment where 
there are massive data sets that can be incorporated into recoverable and reusable report 
templates. The methodology used for this is the general CBR cycle itself, by means of 
which each of the report templates has associated explanatory elements in the form of 
text and graphics. It is already known that this Master's Final Project is part of a 
research main project with complementary lines of work that are dedicated to the 
implementation of this general CBR cycle; and that the present project is dedicated to 
explicitly raise and design the subcycle CBR that is responsible for the reuse and 
adaptation of graphic elements.  

That is why, for the incorporation of visual elements in the reports, the CBR sub-system 
has to be complemented with the DataViz science, which represents a point of inflection 
in the human reasoning capacity since it makes possible the generation of visual 
explanations as a form of intelligence. During the project, the most important 
techniques have been studied from the point of view of human perception and their 
relationship with all the attributes of the graphic elements. 

The project has explained a generic and domain independent system that follows a CBR 
methodology applicable to any case of use where the recovery of report templates 
prevails. The design of the part of the cycle focused on the reuse and adaptation of the 
visualizations has been intensified, which implies all the next: first, a CBR sub-system 
which recovers the graphics candidates to complete the report gap inside the template, 
secondly, the correct choice through adaptation, in third place, the revision of the 
chosen graphic, and finally, the feedback through the interaction that the user carries out 
with the graphic.  



116 
 

Thus, as far as the practical matter of the project is concerned, an experiment has been 
carried out which represents the proof of concept of this methodology. This case study 
allows for the particularization of the CBR subcycle for the reuse and adaptation of 
DataViz elements in the field of Sports Medicine, specifically in the EMG test analysis 
environment, where the medical expert is allowed to evaluate the performance of the 
cervical muscles.  
The way in which this area of application has caused special interest in recent years in 
the IoT world is justified by the constant incorporation of nodes and devices responsible 
for data collection in this environment, as well as the multiple integration solutions that 
these wearables convey. The lack of knowledge on the part of the experts makes them 
feel a real need for reports where these data can be interpreted automatically and as 
accurately as possible, thus facilitating decision making in their tasks. 
It is for this reason that by means of the experiment developed in this Final Master's 
Project it has been possible to design and implement a prototype of a data visualization 
tool capable of interpreting data belonging to this specific environment of Sports 
Medicine on the basis of certain rules that attend to four models of reports considered 
useful in the study.  

In order to use the graphic elements corresponding to each type of report, a specific 
characterization of each report model has been established and followed in order to 
provide a series of graphic elements depending on the structure of the data specific to 
each type of report. It is important to say that here there is a certain restriction regarding 
the original objectives of the project, since the recovery of the graphic by request 
language of a medical expert is established in a limited way. That is, despite the fact that 
all the set of labels which characterize both data and knowledge base (created from 
graphs) have been implemented in a totalitarian way in the four report models; the 
respective part of requests language between the doctor and the system of graphs’ reuse 
has not been fully completed, as only a detailed part has been developed within the 
inspection report model of an individual patient. 
In addition, the tool prototype developed certainly makes it possible to advance in the 
detection of certain anomalies depending on the dependencies between the statistical 
data that have been labelled, but only from the analytical point of view. This implies, 
therefore, a type of restriction in regards to the tracking of this interaction between the 
medical expert and the graphic, in order to have capacity and autonomy at the learning 
process. 
Therefore, it can be firmly said that it has been possible to develop a tool prototype that 
makes it easier for medical experts to understand and visualize the data sets, as well as 
favoring the detection of certain anomalies from the analytical perspective of the data 
labelled at the system. However, two kind of work streams remain to be extended. 
Firstly, the common language model between the requests of a medical expert and the 
system that retrieves the graphics, and secondly, a type of embedded support that allows 
evaluating the interaction of the expert with the reused and adapted visual. 

Finally, it has also been checked that Medicine in general represents a field of great 
relevance in IoT and also in the treatment of massive data, offering a special 
heterogeneity and implying a high level of protection. It is for this reason that the 
recently applicable Regulation has been studied, which increases the obligations and 
responsibilities for all data processing processes, and of course means an improvement 
in the restriction of the procedures of one entity and in the communication of data with 
other entities. 



117 
 

Limitations 
This ambitious project involves a research line on a context in which some procedures 
do not have firmly pre-established guidelines. On the one hand, from the point of view 
of data collection and processing, nowadays we are constantly incorporating into the 
IoT market multiple devices in this specific domain that are responsible for collecting 
data and sending them to different platforms without following a fixed pattern. This is, 
the ingestion of the sets each time is with a different structure, coming to have the data 
semi-structured or simply unstructured strings. 

On the other hand, there is also a limitation in the EMG data analysis process itself. 
Indeed, the detection of anomalies for EMG analysis is a source of discrepancies in 
certain aspects depending on the source of information consulted. In order to 
appropriately implement this project, multiple research documents have been contrasted 
and the processes that are currently considered more mature in this aspect have been 
explained. 

With regard to the execution of practical project tasks, the main drawback has arisen in 
the abandonment of the co-manager of the experiment after its completion, so that when 
processing, treating, and structuring the data has been much more difficult and has led 
to spending time on tasks that could have been focused on optimizing the adaptation of 
graphics in the subcycle CBR. 
An example of this time spent has been in the phase of processing EMG data, which has 
been somewhat tedious especially when determining the sizes of the windows for the 
correct processing and characterization of the data. Later, in the phase of structuring and 
mapping databases, has also arisen the difficulty of mapping the data sets to establish a 
fixed pattern, and that is why it has been structured firstly in reports of population and 
particular patient, to later establish the patient-patient and patient-population 
comparisons. 

 

Next steps 
Firstly, as lines of future work focused on improving the processes covered by this 
project, two important aspects stand out. On the one hand, as it has been said, the 
optimization of the recovery phase and adaptation of the graph based on a common 
language between the medical expert and the system in order to be able to choose 
correctly the type of graph to be represented, which involves an expansion in the 
relations between the needs of the medical expert according to each of the four report 
models.  

On the other hand, it is also necessary to optimize the approach of the learning capacity 
of the tool, so that it can provide predictive contributions from the system and be able to 
increase its degree of personalization. 
It has already been said that the working environment used for this project is a Python 
test bench. One of the lines of work to be followed is the incorporation of this test bench 
into a Cloud environment where sensor data can be collected directly, processed, 
characterized and established a common language that processes the requests of the 
medical expert in a Python environment, in order to send them straightaway to Tableau, 
retrieve the data, and return it to the knowledge base environment. 



118 
 

Bibliografía 

[1] «Inteligencia artificial: orígenes y evolución de las máquinas inteligentes», 
TheDailyProsper. [En línea]. Disponible en: 
https://thedailyprosper.com/es/a/inteligencia-artificial-origenes-y-evolucion-de-las-
maquinas-inteligentes. [Accedido: 28-feb-2018]. 
[2] O’Leary y Daniel E., «Artificial intelligence and big data», IEEE Intell. Syst., 
vol. 28, n.o 2, pp. 96–99, 2013. 
[3] Belén Díaz-Agudo, Juan A. Recio-Garcia, y Guillermo Jimenez-Díaz, «Data 
explanation with CBR», Dep. Softw. Eng. Artif. Intell., vol. Universidad Complutense 
de Madrid, Spain. 

[4] «What is data quality?», SearchDataManagement. [En línea]. Disponible en: 
https://searchdatamanagement.techtarget.com/definition/data-quality. [Accedido: 03-
jun-2018]. 
[5] Edward Segel y Jeffrey Heer, «Narrative Visualization: Telling Stories with 
Data», IEEE Trans. Vis. Comput. Graph., vol. VOL. 16, n.o NO. 6, dic. 2010. 
[6] «La carrera por la industria de la inteligencia artificial», ELESPECTADOR. [En 
línea]. Disponible en: https://www.elespectador.com/tecnologia/la-carrera-por-la-
industria-de-la-inteligencia-artificial-articulo-755627. [Accedido: 03-mar-2018]. 

[7] R. Garcia-Retamero y E. T. Cokely, «Communicating health risks with visual 
aids», Curr. Dir. Psychol. Sci., vol. 22, n.o 5, pp. 392–399, 2013. 

[8] Ricardo Barranco Fragoso, «¿Qué es Big Data?», IBM. [En línea]. Disponible 
en: https://www.ibm.com/developerworks/ssa/local/im/que-es-big-data/index.html. 
[Accedido: 21-mar-2018]. 
[9] «Big Data y GIS», Geodan, 03-feb-2015. [En línea]. Disponible en: 
https://www.geodan.es/big-data-y-gis/. [Accedido: 11-abr-2018]. 
[10] «IoT, Big Data and AI – the New ‘Superpowers’ In the Digital Universe», 
Business 2 Community. [En línea]. Disponible en: 
https://www.business2community.com/big-data/iot-big-data-ai-new-superpowers-
digital-universe-01926411. [Accedido: 07-jun-2018]. 
[11] Departamento de Ingeniería del Software e Inteligencia Artificial, «Introducción 
a SBC - Inteligencia Artificial». Universidad Complutense Madrid, Curso  /2018-2017. 
[12] Ashok K Goel y Belén Díaz-Agudo, «What’s hot in CBR». Association for the 
Advancement of Artificial Intelligence, 2017. 
[13] Agnar Aamodt y Enric Plaza, «Case-Based Reasoning: Foundational Issues, 
Methodological Variations, and System Approaches», AI Commun. IOS Press, vol. Vol. 
7, n.o 1, pp. 39-59. 

[14] «Analysts: Data visualization tools key to “big data” analytics success», 
SearchBusinessAnalytics. [En línea]. Disponible en: 
https://searchbusinessanalytics.techtarget.com/news/2240111798/Analysts-Data-
visualization-tools-key-to-big-data-analytics-success. [Accedido: 18-mar-2018]. 

[15] «Preattentive Visual Properties and How to Use Them in Information 
Visualization», The Interaction Design Foundation. [En línea]. Disponible en: 
https://www.interaction-design.org/literature/article/preattentive-visual-properties-and-



119 
 

how-to-use-them-in-information-visualization. [Accedido: 04-may-2018]. 

[16] Stephen Few, Data Visualization for Human Perception, 2nd ed. . 
[17] «Design Principles: Visual Perception And The Principles Of Gestalt», 
Smashing Magazine. [En línea]. Disponible en: 
https://www.smashingmagazine.com/2014/03/design-principles-visual-perception-and-
the-principles-of-gestalt/. [Accedido: 13-abr-2018]. 
[18] Stephan Few, Information Dashboard Design: The Effective Visual 
Communication of Data, O’REILLY. 2006. 
[19] «Choosing colors for your data visualization», Cambridge Intelligence, 01-nov-
2016. [En línea]. Disponible en: https://cambridge-intelligence.com/choosing-colors-
for-your-data-visualization/. [Accedido: 28-may-2018]. 

[20] «An introduction to the HSL color system», Nix Sensor Ltd, 14-feb-2018. . 
[21] «Color wheel | Color schemes - Adobe Color CC», Adobe Color. [En línea]. 
Disponible en: https://color.adobe.com/create/color-
wheel/?base=2&rule=Analogous&selected=3&name=My%20Color%20Theme&mode=
rgb&rgbvalues=1,0.3270833333331894,0.050000000000000044,0.91,0.171572916666
60116,0.04550000000000004,1,0,0,0.91,0.04550000000000004,0.4777500000001965,
1,0.050000000000000044,0.999999999999784&swatchOrder=0,1,2,3,4. [Accedido: 
30-may-2018]. 

[22] Edward R. Tufte, The Visual Display of Quantitative Information, vol. Graphic 
Press. Cheshire, Connecticut. 

[23] «¿Qué es una infografía? - Pixel Creativo». [En línea]. Disponible en: 
https://pixel-creativo.blogspot.com/2012/01/que-es-una-infografia.html. [Accedido: 20-
jun-2018]. 
[24] J. Steele y N. P. N. Iliinsky, Eds., Beautiful visualization: looking at data 
through the eyes of experts, 1st ed. Sebastopol, CA: O’Reilly, 2010. 
[25] «Five Tips for Nonprofits Data Visualization | Beth’s Blog», Bethkanter. [En 
línea]. Disponible en: http://www.bethkanter.org/data-viz-2/. [Accedido: 15-may-2018]. 
[26] «5 Amazing Ways to Impact Your Audience With Data Storytelling», SnapApp, 
21-dic-2017. [En línea]. Disponible en: https://www.snapapp.com/blog/5-amazing-
ways-impact-your-audience-data-storytelling/. [Accedido: 30-mar-2018]. 

[27] «Great Presentations Incorporate Story», Duarte, 25-abr-2014. . 
[28] J. F. Martinez, «Datos personales sanitarios: qué son y cómo tratarlos 
correctamente», clickDatos Protección de Datos, 23-feb-2018. [En línea]. Disponible 
en: https://clickdatos.es/tratar-datos-personales-sanitarios/. [Accedido: 16-may-2018]. 

[29] «Electromyography (EMG): Purpose, Procedure, and Results», Healthline, 20-
mar-2018. [En línea]. Disponible en: 
https://www.healthline.com/health/electromyography. [Accedido: 23-jun-2018]. 
[30] «Unidad de Medicina del Deporte - Rehabilitación», Sanitas. [En línea]. 
Disponible en: 
//www.sanitas.es/sanitas/seguros/es/particulares/servicios_salud/rehabilitacion/unidad-
medicina-deporte/index.html. [Accedido: 24-abr-2018]. 
[31] «Ministerio de Sanidad, Servicios Sociales e Igualdad - Ciudadanos - Sistema 



120 
 

Nacional de Salud - Hospitales - Catálogo Nacional de Hospitales», MSSSI. [En línea]. 
Disponible en: 
https://www.msssi.gob.es/ciudadanos/prestaciones/centrosServiciosSNS/hospitales/intro
duccion.htm. [Accedido: 25-abr-2018]. 
[32] Redacción, «Tratamiento de datos de big data en en el Internet de las Cosas», 
PowerData. [En línea]. Disponible en: https://blog.powerdata.es/el-valor-de-la-gestion-
de-datos/tratamiento-de-datos-de-big-data-en-en-el-internet-de-las-cosas. [Accedido: 
24-may-2018]. 
[33] «¿Qué es IoMT (internet de las cosas médicas) o IoT de salud?», 
SearchDataCenter. [En línea]. Disponible en: 
https://searchdatacenter.techtarget.com/es/definicion/IoMT-internet-de-las-cosas-
medicas-o-IoT-de-salud. [Accedido: 08-abr-2018]. 
[34] «¿Por qué se debe implementar la narrativa visual en las grandes empresas?», 
Reporte Digital, 07-jun-2016. . 
[35] S. F. Roth y J. Mattis, «Data characterization for intelligent graphics 
presentation», en Proceedings of the SIGCHI Conference on Human Factors in 
Computing Systems, 1990, pp. 193–200. 

[36] S. F. Roth y J. Mattis, «Automating the Presentation of Information», 1991. 
[37] M. X. Zhou y S. K. Feiner, «Data characterization for automatically visualizing 
heterogeneous information», en Information Visualization’96, Proceedings IEEE 
Symposium on, 1996, pp. 13–20. 

[38] «Estadística para todos», Estadística para todos. [En línea]. Disponible en: 
http://www.estadisticaparatodos.es/historia/historia.html. [Accedido: 15-jul-2018]. 

[39] Plácido Guardiola, «Parámetros y Tipos de Estadísticos». Universidad de 
Murcia. 

[40] J. A. Fernández-Niño, R. I. Hernández-Montes, y L. A. Rodríguez-Villamizar, 
«Reporte estadístico en los análisis de regresión en Biomédica: una revisión y 
evaluación crítica», Biomédica, vol. 38, n.o 2, pp. 173-179, jun. 2018. 
[41] J. Zubcoff, «Regresión lineal», Introd. Inferencia Estad., 2008. 

[42] «Algunos métodos simples para la evaluación de recursos pesqueros tropicales», 
Fao. [En línea]. Disponible en: http://www.fao.org/docrep/003/x6845s/x6845s02.htm. 
[Accedido: 20-jul-2018]. 
[43] I. M. Peláez, Modelos de regresión: lineal simple y regresión logística. SEDEN, 
2006. 
[44] W. Spy, «Thick Data - Word Spy». [En línea]. Disponible en: 
https://wordspy.com/index.php?word=thick-data. [Accedido: 07-jul-2018]. 
[45] «The Power of Thick Data | BIGfish PR», BIGfish PR | Tech PR Agency, Public 
Relations Firm. . 
[46] Logicalis, «Visualización de datos inteligente», Logicalis. [En línea]. Disponible 
en: https://blog.es.logicalis.com/analytics/visualizacion-de-datos-inteligente. [Accedido: 
21-jul-2018]. 

[47] «The Data Visualisation Catalogue», DataViz Cataogue. [En línea]. Disponible 
en: https://datavizcatalogue.com/. [Accedido: 27-jun-2018]. 



121 
 

[48] «mDurance», mDurance. [En línea]. Disponible en: http://www.mdurance.eu/. 
[Accedido: 12-feb-2018]. 
[49] A. D. Nimbarte, M. Zreiqat, y X. Ning, «Impact of shoulder position and fatigue 
on the flexion–relaxation response in cervical spine», Clin. Biomech., vol. 29, n.o 3, pp. 
277-282, mar. 2014. 

[50] R. Mousavi-Khatir, S. Talebian, N. Maroufi, y G. R. Olyaei, «Effect of static 
neck flexion in cervical flexion-relaxation phenomenon in healthy males and females», 
J. Bodyw. Mov. Ther., vol. 20, n.o 2, pp. 235-242, abr. 2016. 
[51] C. F. Pinheiro, M. F. dos Santos, y T. C. Chaves, «Flexion–relaxation ratio in 
computer workers with and without chronic neck pain», J. Electromyogr. Kinesiol., vol. 
26, pp. 8-17, feb. 2016. 

[52] L. Mi-ra, Y. Won-gyu, A. Duk-hyun, K. Mi-hyun, y O. Jae-seop, «The Effect of 
Backpack Loads on FRR (Flexion-relaxation Ratio) in the Cervical Spine», mar. 2011. 

[53] Shimmer, «Wearable Sensor Technology | Wireless IMU | ECG | EMG | GSR», 
Shimmer Sensing. [En línea]. Disponible en: http://www.shimmersensing.com/. 
[Accedido: 07-ago-2018]. 
[54] «Project Jupyter», Jupyter. [En línea]. Disponible en: http://www.jupyter.org. 
[Accedido: 01-mar-2018]. 
[55] «Tableau Software», Tableau Software. [En línea]. Disponible en: 
https://www.tableau.com/. [Accedido: 06-mar-2018]. 
[56] J.-P. Pialasse, D. Lafond, V. Cantin, y M. Descarreaux, «Load and speed effects 
on the cervical flexion relaxation phenomenon», BMC Musculoskelet. Disord., vol. 11, 
n.o 1, dic. 2010. 

[57] «¿Qué son los datos de caracter personal? - LOPD», Ciuda tus datos. [En línea]. 
Disponible en: http://www.cuidatusdatos.com/infodatospersonales.html. [Accedido: 24-
abr-2018]. 
[58] AEPD, «Agencia Española de Protección de Datos», Portal AGPD. [En línea]. 
Disponible en: 
https://www.agpd.es/portalwebAGPD/CanalDelCiudadano/derechos/index-ides-
idphp.php. [Accedido: 17-abr-2018]. 
[59] «Título I. De los derechos y deberes fundamentales - Constitución Española», 
Congreso. [En línea]. Disponible en: 
http://www.congreso.es/consti/constitucion/indice/titulos/articulos.jsp?ini=18&tipo=2. 
[Accedido: 27-abr-2018]. 
[60] Jefatura del Estado, «Ley Orgánica 15/1999, de 13 de diciembre, de Protección 
de Datos de Carácter Personal», Bol. Of. Estado BOE, n.o COMENTARIO A LA LEY 
DE PROTECCIÓN DE DATOS, p. 41, 2010. 

[61] «¿Qué hay que hacer para cumplir con la LOPD?», Cuida tus datos. [En línea]. 
Disponible en: http://cuidatusdatos.com/infocomocumplirlopd.html. [Accedido: 11-
may-2018]. 
[62] «REGLAMENTO (UE) 2016/679 DEL PARLAMENTO EUROPEO Y DEL 
CONSEJO de 27 de abril de 2016 relativo a la protección de las personas físicas en lo 
que respecta al tratamiento de datos personales y a la libre circulación de estos datos y 
por el que se deroga la Directiva 95/46/CE (Reglamento General de Protección de 



122 
 

Datos)», Unión Eur. 

[63] «Ley de Protección de Datos en sanidad: guía recomendada para médicos», 
Protección datos LOPD. [En línea]. Disponible en: https://www.protecciondatos-
lopd.com/empresas/guia-centros-sanitarios/. [Accedido: 12-may-2018]. 
[64] «Artículo 9 del Reglamento General de Protección de Datos», Unión Eur. 

[65] Herrero Abogados, «Los centros de salud y el nuevo Reglamento General de 
Protección de Datos», Herrero Digital. [En línea]. Disponible en: 
http://www.herrerodigital.com/blog/los-centros-de-salud-y-el-nuevo-reglamento-
general-de-proteccion-de-datos/. [Accedido: 17-abr-2018]. 

[66] «Delegado de Protección de Datos DPO, funciones certificación APEP», Ayuda 
Ley Protección Datos (LOPD), 27-jun-2016. [En línea]. Disponible en: 
https://ayudaleyprotecciondatos.es/2016/06/27/delegado-proteccion-datos/. [Accedido: 
29-abr-2018]. 

[67] «GDPR: 7 claves para hospitales y clínicas», Signaturit. [En línea]. Disponible 
en: https://blog.signaturit.com/es/gdpr-claves-para-hospitales-y-clinicas. [Accedido: 12-
abr-2018]. 
[68] AEPD y ISMS, «Código de buenas prácticas en protección de datos para 
proyectos BIG DATA», p. 40. 
[69] IT Digital Media, «Cómo mitigar los ciberriesgos de los dispositivos de IoT 
médicos | Vulnerabilidades», IT Digital Security, 02-ene-2018. [En línea]. Disponible 
en: http://www.itdigitalsecurity.es/vulnerabilidades/2018/01/como-mitigar-los-
ciberriesgos-de-los-dispositivos-de-iot-medicos. [Accedido: 22-may-2018]. 
[70] J. A. Prego de Oliver Fernández, «La transparencia como elemento de apoyo al 
consentimiento en materia de protección de datos», UC3M, 2017. 
[71] Shimmer, «Shimmer ECG EMG User Guide», 2017. [En línea]. Disponible en: 
www.shimmersensing.com. [Accedido: 04-ago-2018]. 
 

 
 
  



123 
 

Anexos 

Anexo 1: Especificaciones del wearable Shimmer 3 EMG [71] 
El wearable Shimmer3 EMG es capaz de medir y grabar la actividad eléctrica asociada 
a las contracciones de los músculos del paciente. Esto es una fuente de datos muy 
valiosa en el ámbito biomédico ya que permite a los expertos evaluar la conducción 
nerviosa de músculos categorizados como totalmente sanos y permitir contrastarla con 
tejidos musculares lesionados. 

Este dispositivo tiene el aspecto físico que se muestra en la figura 84: 

 
Figura 84. Wearable Shimmer3 EMG, encargado de recoger las señales musculares del experimento. 

 
El Shimmer3 EMG realiza la función de sensado mediante cinco canales que se 
corresponden con cinco electrodos de superficie. Los canales uno y dos tienen dos 
tomas de contacto cada uno, mientras que la toma de tierra equivale a un único 
electrodo. Así pues, ambos canales poseen una protección de desfibrilación sobre el 
canal 1 y el de referencia, excluyendo las tomas del canal 2 para facilitar la 
demodulación. 
Esto se puede observar en el diagrama de la figura 85, donde se muestran los elementos 
básicos del dispositivo: 



124 
 

 
Figura 85. Diagrama de bloques simplificado del wearable Shimmer3. 

Así pues, se observan tres elementos destacables: 

• En las tomas del canal 2 se establece un filtro EMI que reduce la interferencia 
electromagnética con un filtro de aproximadamente 3MHz de ancho de banda.  

• El amplificador RLD de la toma de referencia se encarga de contrarrestar las 
interferencias comunes como líneas de alimentación y otras fuentes. 

• El amplificador PGA incrementa la amplitud de las señales de entrada con siete 
opciones de regeneración programables. 

• La toma de salida se compone de un convertidor A/D mediante una 
representación de 24 bits por cada muestra de señal tomada. Estos valores se 
transfieren al procesador del Shimmer3 para ser almacenados en el dispositivo o 
transmitidos mediante el protocolo de comunicación. 

Por último, en la tabla siguiente se muestra un resumen de las especificaciones técnicas 
más relevantes de este dispositivo en cuanto a procesamiento, capacidad de 
almacenamiento, protocolo de comunicación, alimentación, y otros componentes que 
resultan de interés. 
 

Capacidad Detalle 

Procesamiento Microcontrolador MSP 430 (24MHz, 16 bit) 

Comunicación Bluetooth –RN42, Radio: 802.15.4 – TI CC2420 

Almacenamiento Lector de tarjetas microSD 8GB integrado 

Batería 450mAh recargable Li-ion  

Acelerómetro de tres 
ejes integrados Freescale MMA7361 

Rango acelerómetro +/- 1.5g – 6g 

Ganancia 
Configurable 
(1, 2, 3, 4, 6, 8, 12) 



125 
 

Tasa de datos 
Software configurable 

(125, 250, 500, 1000, 2000, 4000, 8000 SPS) 

Rango dinámico de 
entrada diferencial  Aproximadamente 800 mV (para ganancia = 6) 

Ancho de banda 8.4 kHz 

Tierra Tipo Wilson 

Protección de entrada 
Filtrado ESD Y RF/EMI; Limitante de corriente; 
Entradas incluyen protección de desfibrilación  

Conexiones Entrada Canal1N, Entrada Canal1P, Entrada Canal2N, 
Entrada Canal2P, Referencia (Ref)  

Peso 31 gramos 

Dimensiones 65 x 32 x 12 mm 

Memoria EEPROM 2048 bytes 
Tabla 13. Especificaciones técnicas del wearable Shimmer3. 

  



126 
 

Anexo 2: Paletas de color utilizadas 
En las siguientes figuras se detallan las paletas de color utilizadas en el diseño de los 
gráficos, según funcionalidad. 
Por un lado, para las etiquetas que describen características propias de cada paciente, 
como el sexo, la edad, o el propio identificador de paciente, se utilizan dos tonos de 
color complementarios entre sí: 

 
Figura 86. Paleta de colores número 1. 

 
Por otro lado, para las etiquetas semánticas enfocadas a las alteraciones o dolencias de 
los pacientes de la población se hace uso de colores análogos jugando con distintos 
niveles de contraste: 

 
Figura 87. Paleta de colores número 2. 

 
Por último, para las etiquetas sintácticas en la representación de la actividad 
neuromuscular se utilizan colores complementarios entre sí, dentro de los siguientes 
tonos: 

 
Figura 88. Paleta de colores número 3.