NeuroSpot es una solución digital basada en inteligencia artificial y servicios de AWS que ayuda a detectar posibles indicadores de TDAH en niños mediante juegos cognitivos breves. A través de una interfaz web atractiva e interactiva, el sistema recopila datos de voz, imagen y rendimiento cognitivo para analizarlos con herramientas de machine learning en la nube.
⚠️ Este sistema no sustituye el diagnóstico clínico, pero actúa como herramienta preventiva y de apoyo a familias y profesionales.
Este proyecto se enmarca en la práctica de la asignatura Inteligencia Artificial – Seminario de Machine Learning con AWS. La finalidad es diseñar e implementar un sistema funcional que utilice al menos un servicio de Machine Learning de AWS como componente central, integrando a su vez otros servicios del ecosistema AWS.
- Registro seguro de tutores y consentimiento informado
- Ejecución secuencial de juegos cognitivos:
- Test de Stroop
- Lectura en voz alta
- Atención continua
- Memoria visual
- Observación visual
- Análisis de emociones faciales
- Generación de un informe con resultados individuales
- Integración completa con servicios de AWS para procesar datos en la nube
| Componente | Servicio AWS | Descripción |
|---|---|---|
| Frontend | S3 + CloudFront | Hosting del frontend Next.js estático con entrega global segura |
| Autenticación | Amazon Cognito | Gestión de usuarios y sesiones |
| Almacenamiento | Amazon S3 | Guarda audios, imágenes, fotogramas, resultados |
| Lógica de negocio | AWS Lambda | Orquestación sin servidor entre servicios |
| Base de datos | Amazon DynamoDB | Almacenamiento estructurado de sesiones y métricas de juego |
| Análisis de voz | Amazon Transcribe + Comprehend | Transcripción y análisis semántico del discurso leído |
| Análisis de emociones | Amazon Rekognition | Identificación de emociones faciales a partir de imágenes capturadas |
| Visualización (futuro) | Amazon QuickSight | Generación automática de dashboards de resultados (previsto) |
| Monitorización | Amazon CloudWatch | Logs y trazabilidad del sistema |
-
Clona el repositorio:
git clone https://github.com/vjrivmon/NeuroSpot.git cd NeuroSpot -
Instala las dependencias:
npm install ``` -
Inicia la aplicación en local:
npm run dev ``` -
Inicia la web con el archivo automático:
./start_neurospot.sh ```
Nota: para ejecutar funciones AWS debes tener configuradas las credenciales y permisos adecuados en tu entorno local. Las llamadas a Lambda están gestionadas desde el frontend.
Quiero que diseñes una interfaz mobile-first altamente profesional y accesible para una aplicación web llamada NeuroSpot, desarrollada en Next.js con React y Tailwind CSS, usando componentes modernos como los de shadcn/ui. Esta aplicación está dirigida a niños y tutores legales para la detección temprana de posibles signos de TDAH mediante juegos interactivos y pruebas clínicas. La solución será utilizada en entornos educativos, clínicos o domésticos, y debe estar optimizada para móviles pero adaptarse perfectamente a escritorio.
La interfaz debe ser limpia, minimalista, emocionalmente neutral, con una estética moderna, intuitiva y sin sobrecarga visual, manteniendo un equilibrio entre lo lúdico (para los niños) y lo profesional (para los adultos).
🔷 Características clave: Mobile-first, 100% responsive
Tipografía legible y moderna
Compatibilidad modo oscuro/claro
Diseño accesible (uso de etiquetas ARIA, contraste alto, navegación intuitiva)
Estilo visual inspirado en webs como:
awwwards.com
godly.website
mobbin.com
curated.design
dark.design
Transiciones suaves, animaciones sutiles, microinteracciones
🧩 Estructura de pantallas a generar:
Pantalla de Inicio
Logo de NeuroSpot en el header
Título: “Bienvenid@ a NeuroSpot”
Descripción breve del propósito de la app (“Evaluación interactiva para detectar posibles indicadores de TDAH en niños, mediante juegos cognitivos breves”)
Botón principal “Comenzar Evaluación”
Opción inferior para tutor: “Ver resultados anteriores”
Pantalla de Consentimiento Legal
Explicación clara y en lenguaje accesible sobre consentimiento para uso de datos por parte del tutor
Checkbox de aceptación obligatorio
Botón “Acepto y continuar”
Panel Principal del Niño
Nombre del niño (por ejemplo: “Hola, Leo 👋”)
Lista visual con tarjetas de ejercicios disponibles:
Test de Stroop
Juego de Atención Sostenida
Lectura en voz alta
Prueba de Memoria Visual
Cámara activada para ejercicio de observación
Cada tarjeta debe incluir:
Icono representativo del ejercicio
Tiempo estimado
Botón “Jugar”
Vista de un Ejercicio Interactivo (p. ej. Stroop Test)
Encabezado con nombre del ejercicio
Instrucciones claras y visuales (con ejemplos si aplica)
Área de interacción principal (mostrar palabra de color, botones con colores)
Barra de progreso o tiempo restante
Botón para pausar/abandonar ejercicio
Pantalla de Resultados para Tutores
Mensaje de cierre amigable (“¡Has completado la evaluación!”)
Resumen visual de resultados (ej. tarjetas o gráfica tipo semáforo por cada ejercicio: Verde = normal, Amarillo = a observar, Rojo = posible indicador)
Botón para descargar informe PDF (placeholder)
Advertencia clara de que esto no sustituye diagnóstico clínico.
🎨 Branding Visual: Paleta de colores principal:
Azul suave (#3A8DFF o similar): transmite calma y concentración
Verde menta (#62DDBD): para llamadas a la acción o aciertos
Gris neutro (#F4F4F5 y #1F2937): para fondo y textos
Toques de naranja/amarillo para alertas o feedback llamativo
Tipografía recomendada:
Sans serif moderna, como Inter, Manrope o Rubik
Iconografía: minimalista, flat, amigable (inspirada en Material Symbols)
⚙️ Tecnología a respetar: Framework: Next.js (13 o superior, con App Router)
Estilos: Tailwind CSS
Librerías de UI: shadcn/ui, lucide-react
Código semántico y limpio (no usar elementos genéricos tipo div innecesarios)
🎁 Extras: Agrega placeholders para grabación de audio y captura de cámara
Usa componentes reutilizables: Botón, Card, Modal, Alert, etc.
Agrega estados de carga, errores y confirmaciones interactivas
Quiero una solución visualmente atractiva, emocionalmente empática y técnicamente escalable, lista para iterar y conectar con backend AWS vía API REST. El diseño debe transmitir seguridad, innovación y empatía. No es un juguete, pero tampoco debe parecer frío o clínico.
No me des una primera versión sin que todo lo anterior se cumpla
🎥 Ver demostración del sistema (5 min) En el vídeo se explica el funcionamiento general, los flujos cognitivos, decisiones técnicas, y qué herramientas se han utilizado como Cursor y ChatGPT para inspiración, lógica y documentación técnica y los servicios de AWS.
El informe está disponible en el repositorio como NeuroSpot.pdf e incluye:
-
Caso de uso y contexto social
-
Diagrama arquitectónico profesional
-
Descripción técnica de cada componente
-
Uso de servicios de AWS detallado
- Next.js + Tailwind CSS + Shadcn/ui (gráficas)
- Node.js + AWS SDK v3
- Amazon S3, CloudFront, Lambda, DynamoDB, Amazon Rekognition, Transcribe, Comprehend
- Cursor, V0, ChatGPT
Irene Medina García - Vicente Rivas Monferrer