Soy ingeniero de software con formación en Ciencias de la Computación (BUAP). Me gusta resolver problemas de punta a punta: entender qué necesita el usuario o el cliente, decidir la solución técnica, construirla y medir con datos si de verdad funciona.

const adolfo = {
  ubicacion:     "Puebla, México 🇲🇽",
  formacion:     "Ing. en Ciencias de la Computación @ BUAP",
  trabaja:       "Galcex",
  roles:         ["Ingeniero de Software", "Analista de Datos", "Deep Learning"],
  investigacion: "CNN para detectar Parkinson con EEG de bajo costo (servicio social BUAP)",
  construyendo:  "SimsUni: simulacros de admisión universitaria",
  stack:         ["TypeScript", "Next.js", "React", "Angular", "Python", "TensorFlow"],
  buscando:      "proyectos de software, datos o IA para colaborar 🤝",
};

Desarrollo web y móvil

Datos e inteligencia artificial

Herramientas

Proyecto de mi servicio social en la BUAP, supervisado por el Mtro. Miguel Ángel Vargas Lomelí. Construí una plataforma de investigación de punta a punta para estudiar si un EEG de un solo canal y bajo costo (NeuroSky TGAM) contiene información que distinga a personas con Parkinson de controles sanos.

flowchart LR
    A[Sensor TGAM<br/>1 canal · 512 Hz] --> B[Parser del<br/>protocolo binario]
    B --> C[Visor en<br/>tiempo real]
    B --> D[Grabación CSV]
    E[OpenNeuro ds002778<br/>canal Fp1] --> F
    D --> F[Ventanas de 2 s]
    F --> G[Imágenes GAF<br/>128×128]
    G --> H[CNN 2D]
    H --> I["P(Parkinson)"]

Lo que hice

• 🔌 Hardware: descifré el protocolo binario del sensor en Python (checksum y autodetección del puerto) y corregí errores del código de referencia del fabricante.
• 📈 Visualización: visor en tiempo real a 512 Hz con PyQt6 y PyQtGraph, validado en paralelo contra el software oficial MindView.
• 🧹 Datos: pipeline de preprocesamiento con ventanas, normalización e integración del dataset público OpenNeuro (31 personas), reducido al canal Fp1 para que sea comparable con el TGAM.
• 🖼️ Modelo: convertí la señal en imágenes Gramian Angular Field (GAF) y entrené una CNN 2D con focal loss y umbral calibrado en validación.
• 🔍 Evaluación honesta: detecté dos trampas que inflaban los resultados (un accuracy de 86 % que en realidad tenía un ROC AUC de 0.50, y fuga de datos al dividir por grabación en vez de por persona) y las corregí.

Resultados (evaluado en 5 personas que el modelo nunca vio, 1,355 ventanas de 2 s)

_{⚠️ Prototipo de investigación, no es un dispositivo médico. La cohorte es pequeña y el modelo aún no se valida con grabaciones TGAM de pacientes; los detalles y las limitaciones están en el repositorio.}

Python · TensorFlow/Keras · CNN · GAF · MNE · scikit-learn · PyQt6 · PyQtGraph

SimsUni: plataforma de simulacros de exámenes de admisión (EXANI, UNAM, IPN, UAM y College Board), con motor de examen cronometrado, calificación oficial, resultados en PDF, panel de moderación, importación de preguntas con IA y pagos con Stripe y Conekta. La llevé de la idea de negocio al despliegue: diseño, desarrollo full-stack y modelo freemium.

Next.js · TypeScript · tRPC · Prisma · PostgreSQL · Tailwind · Vitest  →  Probar la app 🚀