Análisis de la morfología pasiva de las manchas de sangre en superficies y alturas de caída mediante aprendizaje...

Área de la Ciencia:

• Ciencia Forense
• Biofísica
• Ciencias de la Computación

Sus antecedentes:

• El análisis de patrones de manchas de sangre (BPA) es crucial para la reconstrucción de escenas del crimen.
• Comprender cómo el sustrato y la altura de caída influyen en las manchas de sangre es vital para un análisis preciso.
• Estudios anteriores no han explorado completamente los efectos combinados de diversos sustratos y alturas de caída controladas.

Objetivo del estudio:

• Investigar el impacto del tipo de sustrato y la altura de caída en la morfología pasiva de las manchas de sangre.
• Determinar si las características del sustrato afectan la precisión de los cálculos del ángulo de impacto en el BPA.
• Evaluar la eficacia de los modelos de aprendizaje profundo en el análisis de patrones de manchas de sangre.

Principales métodos:

• Experimentos controlados de laboratorio que involucran la caída de sangre desde diferentes alturas sobre cinco sustratos distintos (vasos curvos, papel de chart chart triturado, tela de yute, piedra de gelatina, concreto).
• Análisis morfológico de las manchas de sangre resultantes, centrándose en la irregularidad de la forma y la formación de satélites.
• Aplicación de modelos de aprendizaje profundo (MobileNet con características de ImageNet) para clasificar patrones de manchas de sangre según la altura de caída.

Principales resultados:

• Las características del sustrato influyeron significativamente en la morfología de las manchas de sangre (forma, formación de satélites) pero no alteraron el ángulo de impacto medido.
• Los enfoques de aprendizaje profundo, en particular el modelo MobileNet, demostraron una alta precisión en la diferenciación de patrones de manchas de sangre de diversas alturas de caída.
• El aprendizaje por transferencia resultó eficaz para analizar pequeños conjuntos de datos forenses.

Conclusiones:

• La determinación del ángulo de impacto en BPA sigue siendo consistente en diferentes sustratos, ya que el tipo de sustrato afecta principalmente la morfología de la mancha, no la precisión del ángulo.
• El aprendizaje profundo ofrece una herramienta poderosa para analizar datos complejos de manchas de sangre, mejorando la comprensión de la morfología y la aplicabilidad forense.
• La investigación futura debería incorporar más variables como ángulos de impacto múltiples y efectos de movimiento para una mayor realismo.