Search

Copyright of Retos: Nuevas Perspectivas de Educación Física, Deporte y Recreación is the property of Federacion Espanola de Asociaciones de Docentes de Educacion Fisica and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Deep learning methods have recently emerged as a mechanism for generating embeddings of planning states without the need to predefine feature spaces. In this work, we advocate for an automated, cost-effective and interpretable approach to extract representative features of planning states from high-level language. We present a technique that builds up on the objects type and yields a generalization over an entire planning domain, enabling to encode numerical state and goal information of individual planning tasks. The proposed representation is then evaluated in a task for learning heuristic functions for particular domains. A comparative analysis with one of the best current sequential planner and a recent ML-based approach demonstrate the efficacy of our method in improving planner performance. [ABSTRACT FROM AUTHOR]

Burns in children and adults exhibit pathophysiological differences derived from the anatomical and physiological characteristics of each age group, which is why burns are serious and require immediate medical attention. Calculating accurate total burned area is crucial, however, current methods such as the Lund and Browder table, the rule of nine, or two-dimensional plots are subject to inter-rater variation and severely overestimate the burned area. An inaccurate estimate of the extent of the burn generates unnecessary transfers to burn centers, fluid overload, increased hospital stays, and medium and long-term sequelae. To address these challenges, a series of applications for mobile phones and artificial intelligence have been evaluated, as well as the implementation of virtual reality, the use of skin substitutes and bioactive therapies that allow reducing costs in the hospital area. The development and implementation of therapeutic tools exemplifies how medicine is evolving; however, it is important to highlight the need to extend research in this field to optimize prognosis and quality of life. [ABSTRACT FROM AUTHOR]

Las Redes Neuronales de Impulsos (Spiking Neural Networks, SNN) son modelos neuronales que procesan la información en forma de spikes o series de impulsos en el dominio del tiempo, posibilitando el consumo ultrabajo. Sin embargo, debido a que la mayoría de los procesos reales manejan magnitudes físicas de tipo real, para emplear este tipo de redes es necesario el uso de algoritmos de codificación y decodificación. El algoritmo de codificación basado en modulación por ancho de pulso (Pulse Width Modulation, PWM) es un novedoso algoritmo temporal de codificación que supera con creces la precisión de sus algoritmos predecesores a la hora de construir y reconstruir la señal original. A pesar de sus múltiples ventajas, este algoritmo presenta una serie de limitaciones: (a) requiere de dos valores consecutivos de la serie temporal original para poder codificar, lo cual imposibilita su uso en campos donde no existan relaciones cronológicas, como puede ser el tratamiento de imágenes; y (b) presenta posibilidades de ser optimizado computacional y energéticamente. Así, en este trabajo se presentan dos nuevas propuestas basadas en este algoritmo de codificación y decodificación que solventan las limitaciones mencionadas. Cabe destacar que ambas propuestas permiten reducir en más del doble el coste computacional y energético de los procesos de codificación y decodificación.

Este estudio presenta un modelo diseñado para predecir el rendimiento académico utilizando redes neuronales. Se enmarca en un enfoque cuantitativo y se categoriza como un estudio correlacional multivariado. La investigación se basa en una base de datos proveniente de una institución educativa, disponible en el repositorio de datos de la Universidad de California, Irvine. Se eligió R como el lenguaje de programación, con RStudio como entorno de desarrollo. Se adoptó la metodología CRISP-DM para llevar a cabo el análisis de datos. La construcción de la red neuronal se realizó utilizando el paquete nnet, disponible en el Comprehensive R Archive Network (CRAN). El modelo de red neuronal se aplicó a los datos recopilados de 649 estudiantes, y su capacidad predictiva se evaluó exhaustivamente. Tras compararlo con un modelo de regresión lineal múltiple, se observó que el modelo de red neuronal logró una efectividad del 87% en la predicción del rendimiento académico, evidenciando su idoneidad para este propósito.

Copyright of Mexican Journal of Economics & Finance / Revista Mexicana de Economia y Finanzas is the property of Instituto Mexicano de Ejecutivos de Finanzas and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Retos: Nuevas Perspectivas de Educación Física, Deporte y Recreación is the property of Federacion Espanola de Asociaciones de Docentes de Educacion Fisica and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

This project was developed to address a significant social and economic issue: the detection of microsleeps in minibus drivers. Interprovincial trips, especially at night or during long journeys, increase the risk of fatigue and drowsiness, which affects the driver's attention. The consequences not only jeopardize the physical integrity of those involved but also lead to substantial material and economic losses. According to the World Health Organization, drowsinessrelated accidents are one of the leading causes of mortality on roads worldwide (WHO, 2021). This project developed artificial intelligence (AI) software to monitor and analyze drivers' facial patterns in real time, identifying early signs of fatigue such as prolonged blinking, yawning, and head nodding. Ultimately, a mobile solution was achieved, capable of alerting the driver with auditory signals upon detecting a potential microsleep, allowing for early and effective interventions to prevent accidents. This technological advancement represents a significant contribution to road safety and can be extended to other public and private transportation contexts. [ABSTRACT FROM AUTHOR]

Objective: This study aimed to develop a control architecture for reactive autonomous navigation of a mobile robot by integrating Deep Learning techniques and fuzzy behaviors based on traffic signal recognition. Materials: The research utilized transfer learning with the Inception V3 network as a base for training a neural network to identify traffic signals. The experiments were conducted using a Donkey-Car, an Ackermann-steering-type opensource mobile robot, with inherent computational limitations. Results: The implementation of the transfer learning technique yielded a satisfactory result, achieving a high accuracy of 96.2% in identifying traffic signals. However, challenges were encountered due to delays in frames per second (FPS) during testing tracks, attributed to the Raspberry Pi's limited computational capacity. Conclusions: By combining Deep Learning and fuzzy behaviors, the study demonstrated the effectiveness of the control architecture in enhancing the robot's autonomous navigation capabilities. The integration of pre-trained models and fuzzy logic provided adaptability and responsiveness to dynamic traffic scenarios. Future research could focus on optimizing system parameters and exploring applications in more complex environments to further advance autonomous robotics and artificial intelligence technologies. [ABSTRACT FROM AUTHOR]

Copyright of Artnodes is the property of Universitat Oberta de Catalunya and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Revista Entramado is the property of Universidad Libre Seccional Cali and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of GeSec: Revista de Gestao e Secretariado is the property of Sindicato das Secretarias e Secretarios do Estado de Sao Paulo (SINSESP) and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of DYNA - Ingeniería e Industria is the property of Publicaciones Dyna SL and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of RED - Revista de Educación a Distancia is the property of Universidad de Murcia and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

En este trabajo se realiza una revisión de los paradigmas existentes y las técnicas más usadas en la detección de rupturas súbitas, profundizando en las que emplean Machine Learning como herramienta principal para la interpretación de datos. Se comparan la relación entre la efectividad de la detección y los parámetros de cada algoritmo, así como el nivel de procesamiento requerido. Para la Máquina de Soporte Vectorial la efectividad en la detección de ruptura súbita está relacionada de forma exponencial. El árbol de decisión expuesto aumenta su precisión mientras más información del estado de la red tenga. La red neuronal analizada demuestra una efectividad en la detección al nivel del resto de algoritmos tratados manteniendo el compromiso con el nivel de procesamiento.

Los vehículos eléctricos presentan una alternativa viable para reducir las emisiones de gases tóxicos en las concentraciones urbanas y para disminuir los efectos de los gases de invernadero. La batería de los vehículos eléctricos debe ser monitoreada con precisión para asegurar su funcionamiento adecuado y seguro. Para esto, es necesario desarrollar algoritmos eficientes que permitan estimar de forma precisa el estado de carga mediante dispositivos embarcados en el vehículo. En este trabajo, se utiliza un conjunto de datos de ciclado de una batería de Litio para entrenar una red neuronal para la estimación del estado de carga. Se realiza una optimización bayesiana para establecer la mejor arquitectura de red neuronal y se valida el comportamiento frente a las mediciones reales que ofrece el conjunto de datos. Para su utilización en un dispositivo embarcado, la red neuronal se valida con un modelo de hardware-en-lazo (HIL) en un FPGA con aritmética de punto fijo. Después del entrenamiento se observa un error promedio cuadrático menor al 2% y una precisión promedio del 97.5%.

El seguimiento del punto de máxima potencia (MPPT) es una etapa esencial en la operación de las turbinas eólicas para garantizar una generación de energía eficiente. En los últimos años se han diseñado y aplicado técnicas de control avanzadas para lograr este objetivo, solventando algunas de las limitaciones de los métodos clásicos. Este artículo proporciona una visión general de las estrategias existentes y describe con más detalle algunas configuraciones de control específicas, explicando su utilidad y proporcionando una base para futuros desarrollos. En concreto incluye técnicas de control basadas en inteligencia artificial para el estudio del control MPPT en aerogeneradores. Se ejemplifican dos estrategias de control inteligente: una red neuronal y un controlador de lógica borrosa. Estos enfoques se enmarcan en la regulación del par electromagnético del generador y, en consecuencia, de la velocidad angular del sistema, mejorando la generación de potencia. Los resultados evidencian los beneficios de estos controladores inteligentes para maximizar la potencia y mejorar el proceso de conversión de energía.

Una red neuronal artificial es un modelo matemático que utiliza un sistema de capas internas y externas conectadas a través de estructuras llamadas neuronas, que en conjunto simulan la arquitectura de las conexiones entre neuronas del cerebro humano. Sin embargo, estas redes neuronales han pasado por el proceso de aprendizaje sobre un conjunto de datos conocidos, se convierten en algoritmos capaces de predecir, dentro de un rango previamente establecido, el comportamiento de un conjunto del mismo tipo de datos del que sólo se conocen las etapas previas y no los resultados del comportamiento. Este trabajo tiene como objetivo obtener predicciones del precio de las acciones considerando diferentes tipos de modelos mediante el uso de herramientas computacionales especializadas. Se evidenció que la comparación de diferentes arquitecturas de aprendizaje profundo utilizando el método Naive reveló que los resultados obtenidos por este último fueron mejores que los resultados obtenidos por las arquitecturas de redes neuronales, así como la función FeedForward resultó ser el mejor de los modelos neuronales analizados.

In this work, a review of the existing paradigms and the most used techniques in the burst detection is carried out, delving into those that use Machine Learning as the main tool for data interpretation. The relationship between detection effectiveness and the parameters of each algorithm, as well as the level of processing required, are compared. For Support Vector Machine, the effectiveness in burst detection is exponentially related to the number of combinations of C and γ. The exposed decision tree increases its precision the more information about the state of the network it has. The artificial neural network demonstrates a detection effectiveness at the level of the rest of the algorithms treated, maintaining the commitment to the processing level. [ABSTRACT FROM AUTHOR]

OBJECTIVE: To validate an artificial intelligence model that can predict the mortality prognosis of hospitalized patients with sepsis. MATERIALS AND METHODS: An ambispective observational cohort study, which included electronic records of adult patients from the Central Hospital of the State of Chihuahua, Mexico, from July 2018 to March 2020 and January 2021 to January 2022. Three models were analyzed: neural networks, support vector machine and random forests. For model validation, the sample was divided into 80% for training and 20% for testing. For the last group (20%), a 10-fold cross-validation was implemented to calculate sensitivity, specificity, positive predictive value, and negative predictive value. RESULTS: A total of 353 files were analyzed, of which only 218 were chosen. The best model was the neural networks; however, its area under the curve (AUC) score barely reached 0.80, the random forests algorithm (AUC 0.667) and the support vec- tor machine algorithm (AUC 0.641) were below this value. Of the 3 models, only the cross-validation with the neural networks was done, of 20% of the test data, 10 validations were implemented. The AUC scores obtained in each fold ranged from 0.771 to 0.830. CONCLUSIONS: The model is good, even working with few data. It is intended to collect a larger sample to retrain and validate the model with more data and improve learning and performance and finally be applicable to patients. [ABSTRACT FROM AUTHOR]

Copyright of International Annals of Criminology is the property of Cambridge University Press and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

El objetivo de la investigación es desarrollar herramientas de vanguardia que ofrece la lógica difusa como la técnica del expertizaje que alimente un grafo de redes neuronales que conduzca a determinar las mejores acciones, estrategias o políticas de gestión que permitan tomar decisiones eficientes frente a los impagos por parte de clientes de las pequeñas y medianas empresas manufactureras de la ciudad de Cuenca Ecuador. En el plano metodológico, la investigación es de tipo explicativo, con enfoque cuantitativo, cuyo propósito es acotar la incertidumbre, subjetividad, vaguedad e imprecisión en la información obtenida de los expertos funcionarios de tesorería, directivos y gerentes de las empresas estudiadas. Los resultados evidencian las tres acciones más importantes a considerar, “Acción judicial”, “Denegación de compra” y “Tercera notificación personal”, representan el máximo grado de presunción o la posibilidad más alta de ocurrencia de esta acción. A partir del desarrollo de estas herramientas de vanguardia, los directivos y gerentes de las pymes podrán tomar decisiones eficientes y correctivas con la finalidad de reducir la brecha de impagos por los clientes, garantizando una mayor estabilidad financiera y un crecimiento sostenible de las organizaciones.

Actualmente, los sistemas utilizados en laboratorios para analizar la marcha se basan en técnicas marcadores o sensores colocados sobre el cuerpo del paciente, lo que resulta en un proceso que requiere un tiempo largo de preparación y calibración, así como la incomodidad que causa a los pacientes tener dispositivos colocados por el cuerpo. Además, el espacio en el que se pueden realizar pruebas resulta muy limitado. En respuesta a estas problemáticas, se ha desarrollado el sistema robótico RoboGait. Consiste en un robot móvil capaz de navegar autónomamente delante del paciente. El robot incluye una cámara RGBD en su parte superior para captar el cuerpo humano. Este sistema no requiere marcadores adheridos al cuerpo del paciente ya que utiliza la información proporcionada por la cámara RGBD para analizar la marcha. El objetivo de este estudio es demostrar la validez de RoboGait y su aplicabilidad en entornos clínicos. Para conseguirlo, se ha optado por mejorar la estimación de señales cinemáticas y espacio-temporales de la marcha procesando las medidas de la cámara con redes neuronales artificiales (RNA) entrenadas usando datos obtenidos de un sistema Vicon® certificado. Posteriormente, se ha medido el rendimiento del sistema en la clasificación de patrones normales y patológicos, utilizando como referencia un sistema basado en sensores inerciales Xsens®. De este modo, se ha probado el sistema robótico móvil en un rango amplio de la marcha, al tiempo que se ha comparado con un sistema comercial en las mismas condiciones experimentales. Los resultados obtenidos demuestran que RoboGait puede realizar el análisis de la marcha con suficiente precisión,mostrando un gran potencial para su análisis clínico y la identificación de patologías.

Los sistemas multinúcleo surgieron como alternativa y mejora a los tradicionales sistemas mononúcleo. Aunque el rendimiento de estos sistemas es mayor, poseen más complejidad. Además, su rendimiento puede verse degradado debido a que los recursos hardware compartidos introducen retrasos en la planificación. Para reducir este retraso o contención existen diversas técnicas, que se pueden aplicar tanto a la hora de alojar las tareas en los núcleos como al planificar las tareas dentro de cada núcleo. En este trabajo se propone un algoritmo de planificación que combina distintas políticas de planificación conocidas para obtener un plan temporal que posea una menor interferencia. Además, se propone una red neuronal artificial para predecir qué política de alojamiento se debe aplicar para minimizar la longitud de los intervalos que forman el plan temporal y así reducir la complejidad de planificación de cada intervalo.

El artículo evalúa las muertes violentas durante y después de la pandemia de covid-19 usando un análisis de aprendizaje automático y de redes neuronales. Para ello, se utilizaron los datos registrados por la Policía Nacional sobre homicidios entre marzo de 2020 y junio de 2023. A partir de esos datos, se calcularon los perfiles de muertes violentas durante la pandemia (comprendida entre marzo de 2020 y diciembre de 2021) y en la pospandemia (es decir, entre enero de 2022 y junio de 2023). Luego, se llevó a cabo un análisis comparativo entre estos dos periodos y se usó una red neuronal de doble capa para clasificar y predecir futuras muertes violentas con una tasa de precisión del 100%.

Las redes neuronales son un tipo de modelo computacional inspirado en el funcionamiento del cerebro humano y su red de neuronas. Se utilizan para realizar tareas de aprendizaje automático y reconocimiento de patrones. Estas redes están compuestas por unidades de procesamiento llamadas neuronas artificiales o nodos, que se organizan en capas interconectadas

Accurate and early diagnosis, coupled with precise prognosis, is critical for improving patient outcomes in various medical conditions. This paper focuses on leveraging advanced data mining techniques to address two key medical challenges: diagnosis and prognosis. Diagnosis involves differentiating between benign and malignant conditions, while prognosis aims to predict the likelihood of recurrence after treatment. Despite significant advances in medical imaging and clinical data collection, achieving high accuracy in both diagnosis and prognosis remains a challenge. This study provides a comprehensive review of state-of-the-art machine learning and data mining techniques used for medical diagnosis and prognosis, including Neural Networks, K-Nearest Neighbors (KNN), Naïve Bayes, Logistic Regression, Decision Trees, and Support Vector Machines (SVM). These methods are evaluated on their ability to process large, complex datasets and produce actionable insights for medical practitioners. We conducted a thorough comparative analysis based on key performance metrics such as accuracy, Area Under the Curve (AUC), precision, recall, and specificity. Our findings reveal that Neural Networks consistently outperform other techniques in terms of diagnostic accuracy and predictive capacity, demonstrating their robustness in handling high-dimensional and nonlinear medical data. This research underscores the potential of advanced machine learning algorithms in revolutionizing early diagnosis and effective prognosis, thus facilitating more personalized treatment plans and improved healthcare outcomes. [ABSTRACT FROM AUTHOR]

Introduction: the globalisation of the economy, dynamic changes in financial markets, and the advent of big data have spurred the development and implementation of artificial intelligence (AI) and machine learning (ML) tools for forecasting economic trends. The purpose of this study is to evaluate the impact of AI and ML on the accuracy and effectiveness of economic trend forecasting. The authors analyse examples of AI and ML applications in various economic sectors during the period 2019–2023, including regional aspects. Method: to achieve the objectives of this study, we conducted a comprehensive qualitative and quantitative analysis of the role of artificial intelligence (AI) and machine learning (ML) in predicting economic trends. Results: the findings indicate that the use of AI and ML improves the efficiency of economic trend forecasting and allows for quicker adaptation to market changes, thereby reducing risks and uncertainty. Conclusions: thus, the integration of artificial intelligence and machine learning in economic analysis not only increases the effectiveness of forecasting but also lays the foundations for the sustainable development of economies in a globalised world. [ABSTRACT FROM AUTHOR]

The Center of Molecular Immunology is an exponent of Cuban biotechnology institution dedicated to basic research, development, production and commercialization of biopharmaceuticals, with the aim of diagnosing and treating cancer and diseases related to the immune system. In this work, a bibliographic synthesis of research that was carried out in this center in the period from 2012 to 2018, was performed, with the purpose of analyzing the application of some Data Mining techniques in the evaluation of fermentation and purification stages of the process for obtaining biopharmaceuticals in three production facilities. The phases of Data Mining were characterized and the practical implication of the results was presented. Principal Components Analysis was applied as a descriptive model using THE UNSCRAMBLER software, and Artificial Neural Networks were applied as a predictive model using the MATLAB neural networks toolbox. The use of these models made it possible to extract useful information for decision making, thereby explaining the behavior of the parameters that influence the quality of the final product, as well as estimating important variables such as the concentration of the protein of interest in the fermentation supernatant and the performance of the purification stage, depending on the process variables that have the greatest influence on its behavior. [ABSTRACT FROM AUTHOR]

The field of healthcare, driven by the continuous growth of data related to human health and the ongoing course of digital transformation, is undergoing a significant evolution. In this experimental study, a comparison of Artificial Intelligence techniques, specifically neural networks, Random Forest, and decision tree, was conducted to evaluate their effectiveness in diagnosing cardiovascular diseases. This was achieved by leveraging clinical data available in open-access databases. The methodology focused on identifying the most influential variables in cardiovascular disease diagnosis through a comprehensive literature review. Subsequently, the Machine Learning techniques to be employed were determined, and the most suitable dataset for these variables was acquired. The results revealed that all three Artificial Intelligence techniques demonstrated good performance in diagnosing cardiovascular diseases. It is worth highlighting that the neural network-based model excelled with an accuracy of 89%, establishing itself as a highly relevant tool for supporting timely disease diagnosis. These findings suggest a potential positive impact on clinical practice and future healthcare by providing healthcare professionals with a valuable resource for making informed decisions in the diagnosis and treatment of cardiovascular diseases. Ultimately, this could enhance the quality of patient care and their overall well-being. This study reinforces the notion that Machine Learning techniques play a crucial role in transforming healthcare and clinical decision-making in the field of health, offering new perspectives for the prevention and treatment of cardiovascular diseases and other medical disorders. [ABSTRACT FROM AUTHOR]

This article evaluates the violent deaths during and after the COVID-19 pandemic using automated machine learning and neural network analysis. For this purpose, data recorded by the National Police about the homicides during March 2020 and June 2023 were used. From these data, the profiles of violent deaths during the pandemic (March 2020 and December 2021) and in the post-pandemic (i.e., January 2022 and June 2023) were calculated. Then a comparative analysis was carried out between these two periods using a two-layer neural network to classify and predict future violent deaths with a precision rate of 100%. [ABSTRACT FROM AUTHOR]

Copyright of Revista Venezolana de Gerencia (RVG) is the property of Revista de Filosofia-Universidad del Zulia and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Dictamen Libre is the property of Universidad Libre Seccional Barranquilla and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Amazonia Investiga is the property of PRIMMATE and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

traffic accidents are one of the main causes of death in Mexico, the collisions are caused mostly due to human error, therefore attempts have been made to reduce these shortcomings with driver assistance systems. This paper presents a study conducted to explore the capabilities of a Generative Adversarial Network in terms of application in lane detection on a highway, it is proposed to use a metric known as Dice index which measures the similarity between images and a pre-processing method based on color spaces, as well as a technique called Superpixels which is based on clustering. Finally, the results are compared with a neural network called LaneNet developed for the TuSimple database. The results obtained from this methodology needs to be optimized with future work, however, it opens the door to possible research with this type of network. [ABSTRACT FROM AUTHOR]

Predecir el comportamiento de los contaminantes atmosféricos se ha convertido en un importante insumo para el diseño de estrategias gubernamentales de contingencia que buscan mitigar los niveles de contaminación, por tal motivo esta investigación presenta una metodología para predecir el incumplimiento de los índices máximos permitidos para el material particulado contaminante PM 2.5, a partir de modelos estadísticos multivariados que pueden ser utilizados para entender cómo diversas variables meteorológicas influyen en el comportamiento del contaminante, al igual que como forma de seleccionar las variables que serán usadas durante el entrenamiento de un clasificador bayesiano de redes neuronales. Además del modelo multivariado, se aplicó un análisis de varianza multifactorial para evaluar el efecto del día, hora y mes en la media del PM 2.5. Como resultados principales, se encontró que las variables: dirección del viento, temperatura, humedad, presión atmosférica, precipitación, radiación solar, hora deldía, día de la semana y mes, fueron estadísticamente significativas y permitieron entrenar una red neuronal con una capacidad de pronóstico del 78,2 % de manera global y del 81 % en los casos de incumplimiento, demostrando así que con variables factibles de manejar (variables meteorológicas, hora, día y mes) se puede diseñar una herramienta de pronóstico muy útil como insumo para la gestión sobre la calidad del aire.

Diversos estudios se han enfocado en estimar el precio de las criptomonedas utilizando modelos de series de tiempo y variables estáticas. Este estudio se centra en la predicción del precio de Bitcoin, utilizando un modelo que combina la regresión lineal múltiple y las redes neuronales. Este enfoque permite identificar los factores que influyen en la volatilidad de Bitcoin y, mediante una selección dinámica de variables, detectar constantemente el conjunto de características más relevante para la predicción. Asimismo, se optimiza la cantidad de datos para mejorar la precisión y evitar la sobreutilización de información histórica. La combinación de estas técnicas permitió capturar patrones y tendencias subyacentes, aumentando la confiabilidad de las predicciones, con una precisión del 88%. Sin embargo, es crucial considerar la necesidad de evaluaciones continuas para adaptarse a las cambiantes condiciones del mercado. Este enfoque brinda una herramienta más precisa para tomar decisiones informadas en un mercado altamente volátil.

Diversos estudios evidencian la necesidad en la industria petrolera venezolana de implementar alternativas viables en el ámbito de mantenimiento de la integridad de tuberías. Este trabajo tuvo como objetivo proponer un modelo de predicción de la velocidad de corrosión externa, para tuberías de transporte de crudo enterradas en un campo de producción, ubicado en el occidente del estado Zulia, Venezuela, con suelos predominantemente arcillosos. Luego de la recopilación, revisión y clasificación de los datos de campo sobre parámetros del suelo y operacionales, se realizó una definición de variables de entrada y salida, utilizados para generar dos modelos; uno de regresión y otro de clasificación. Para el modelo por redes neuronales, se obtuvo un bajo ajuste de regresión (R2) de 6,62 % y un RMSE (root-mean-square error) de 2,13; indicadores de una baja eficiencia, debido a las restricciones de los datos suministrados y tamaño de muestra. Por otro lado, para el modelo por clasificación de árbol de decisión, se alcanzó una exactitud de 98,14 %, agrupando los datos de velocidad de corrosión en rangos o renglones de severidad. Este modelo de árbol de clasificación servirá como punto de partida para posteriores investigaciones que deseen profundizar en el área.

Copyright of Kranion is the property of Publicidad Permanyer SLU and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Religación: Revista de Ciencias Sociales y Humanidades is the property of Religacion: Revista de Ciencias Sociales y Humanidades and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Copyright of Revista Iberoamericana de Ingeniería Mecánica is the property of Editorial UNED and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Introduction: Heart failure is a common, progressive, and life-threatening condition whose risk is often overestimated. Effective tools are required to discriminate the risk and therefore a system based on the assembly of neural networks was trained for this purpose. Objective: To present the results of the training and internal validation of a system based on a set of artificial neural networks for the prognosis of one-month mortality in patients hospitalized for acute heart failure, and to compare the results of each of the individual networks developed and four set systems simple voting and AdaBoost. Materials and method: From a cohort of 462 patients diagnosed with decompensated heart failure, 11 networks were trained and then assembled using four systems: simple voting, two systems weighted by operating characteristics (predictive values and likelihood ratios) and Boosting. Operating characteristics for the 30-day prognosis of death were calculated and compared with two clinical rules and logistic regression applied to the same population. Results: The various ensemble methods had a better prognostic performance than each of the networks that composed them. Voting weighted by predictive values performed best, with an accuracy of 89.0% (95% CI: 82.6-93.2%) although the results’ confidence intervals overlapped. Conclusions: The ensemble of neural networks through voting weighted by predictive values showed an adequate performance for predicting 30-day mortality in acute heart failure. [ABSTRACT FROM AUTHOR]

In this work neural networks are used as an advantageous tool to estimate petrophysical parameters of the stratigraphic column traversed by several wells. The parameters porosity, mineral volumes, and water and hydrocarbon saturation are obtained from basic geophysical well logging (gamma rays, deep resistivity, volumetric density and transit time) and are inferred for other sites, in the same geological area, where they are not measured, so this information matrix is not available. This analysis was performed on sand-clay siliciclastic sequences traversed by several wells drilled to reach a low-permeability hydrocarbon reservoir. Estimates with empirical models are presented to compare them with those obtained with neural networks in order to qualify the performance of the intelligent alternative. The laws that govern the dynamics of the parameters as well as the details of the geological context are immersed in the weights of the network and the phenomenological consistency is defined through the congruence of the inputs to achieve the chosen outputs. The way in which the neural model enables the reliable propagation of property values is shown and becomes an advantageous auxiliary in the study of very complex or poorly parameterized geological contexts in which the conditions for the application of correlations and empirical methods as well as how the time invested in the processes of adjustment and contextualization of records, decreases the quality and quantity of knowledge obtained about the environment. [ABSTRACT FROM AUTHOR]

Copyright of Formación Universitaria is the property of Centro de Informacion Tecnologica (CIT) and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

Existen distintos tipos de bayas, uno de los más conocidos, nutritivos e importantes es el arándano. El procesamiento moderno de estos frutos garantiza alta calidad, mejor comercialización del producto y una estimación de su vida útil. El objetivo de esta revisión fue proporcionar información científica de las características fisicoquímicas de diferentes bayas empleando tecnología de imágenes hiperespectrales e imágenes digitales. Estas tecnologías presentan tendencias con resultados satisfactorios en variados campos tecnológicos y de investigación. Los hallazgos obtenidos demuestran que, la tecnología de imágenes hiperespectrales y la tecnología de imágenes digitales ha sido de mucho interés en los últimos años, debido a que son tecnologías no destructivas, que permiten tener buenas predicciones en la detección de anomalías en las bayas, considerándolas herramientas robustas, confiables y con alto potencial de uso en la gran industria en la evaluación de la calidad de las bayas haciendo posible la oferta de productos más adecuados para el consumidor. Con el avance de la tecnología se presentan posibilidades de nuevo estudios futuros para obtener modelos más rápidos de procesar y con mayor precisión estadística.

Las organizaciones deportivas pueden generar innovación en la medida que apropien la creación de valor; sin embargo, los clubes de futbol requieren intervenciones en su dinámica organizacional que les permita potenciar la generación de valor orientada a potencializar su desempeño y sus ventajas competitivas. Dada esta necesidad, surge este estudio con el objetivo de establecer la creación de valor de los gerentes en clubes de fútbol amateur a través de una metodología cuantitativa mediante la aplicación de un cuestionario a 305 directivos deportivos y administrativos de los equipos que conforman los clubes de fútbol amateur en Colombia. El análisis de resultados apoyado en redes neuronales artificiales -RNA con el fin de comprobar sus capacidades para el logro de la innovación y por ende aportar al desempeño organizacional. Entre los resultados se observa que la creación de valor por medio de nuevas capacidades afecta a la organización deportiva en la medida que el talento humano pueda ser capacitado para formular procesos novedosos en servicios e interactuar en la búsqueda de patrocinadores, socios y entidades con capacidades de crear valor. Además, contribuye para que la organización deportiva sin ánimo de lucro fortalezca su labor social, formando de manera integral a sus colaboradores, a sus clientes o deportistas, en su mayoría con carencias de diferente índole. De igual forma, la investigación ha comparado el efecto del individuo como elemento central para crear valor.

La psilocibina es un alcaloide psicodélico producido naturalmente por diversas especies de hongos, especialmente del género Psilocybe, cuyo uso por parte de culturas precolombinas ha sido ampliamente documentado. En la última década, tras años de estigmatización y restricción de uso, se han reactivado las investigaciones sobre las potencialidades terapéuticas de este psicodélico clásico para el tratamiento de múltiples trastornos psiquiátricos, entre ellos el trastorno depresivo mayor. La depresión es un desorden afectivo del estado de ánimo cuya prevalencia mundial se ha incrementado considerablemente en los últimos años y cuyo tratamiento con fármacos convencionales tiene limitada eficacia. Los hallazgos recientes señalan que la psilocibina, en cambio, pueden tener un efecto antidepresivo rápido y sostenido, incluso en individuos con depresión resistente al tratamiento. Aunque aún no se han dilucidado por completo los mecanismos subyacentes a dicho efecto, se ha planteado que estaría mediado por cambios a nivel de neurotransmisión, de plasticidad estructural y funcional y de conectividad de diferentes redes cerebrales. En esta revisión narrativa se presenta una síntesis de la evidencia clínica a favor del efecto antidepresivo de la psilocibina, se exponen algunos mecanismos de acción plausibles que han sido objeto de estudio y se discuten algunos interrogantes y perspectivas del uso del alcaloide en el ámbito clínico.

With this project, the control of a transfemoral prosthesis was developed by means of a neural network. The mechatronics methodology based on the V-model was used. This document first presents an analysis of the situation of physical-motor disabilities in Ecuador and reviews some prosthesis designs to propose a local solution. The requirements that were proposed, were used as inputs for the development of the conceptual and specific design. The data acquisition system was established to perform the measurements of muscle activity and position by means of an accelerometer. A neural network consisting of a 3-input layer with 12 neurons in the hidden layer and one neuron in the output layer was trained. The output of the network corresponds to the position that the prosthesis must reach, and the developed system has a 20% error in the prediction of the flexion and extension movements of the leg. [ABSTRACT FROM AUTHOR]

Copyright of Ciencia e Ingenieria Neogranadina is the property of Ciencia e Ingenieria Neogranadina and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)