Con un enfoque en la investigación de la detección de la fatiga en la conducción, se propone un algoritmo de detección del estado de fatiga del conductor totalmente automatizado utilizando imágenes de conducción. En el algoritmo propuesto, se emplea la arquitectura de red convolucional multitarea en cascada (MTCNN) para la detección de rostros y la localización de puntos de características, y se extrae la región de interés (ROI) utilizando puntos de características. Se propone una red neuronal convolucional, denominada EM-CNN, para detectar los estados de los ojos y la boca a partir de las imágenes de la ROI. El porcentaje de cierre del párpado sobre la pupila a lo largo del tiempo (PERCLOS) y el grado de apertura de la boca (POM) son dos parámetros utilizados para la detección del cansancio. Los resultados experimentales demuestran que el EM-CNN propuesto puede detectar eficazmente el estado de fatiga del conductor a partir de imágenes de conducción. El algoritmo propuesto EM-CNN supera a otros métodos basados en CNN, es decir, AlexNet, VGG-16, GoogLeNet y ResNet50, mostrando unos índices de precisión y sensibilidad del 93,623y 93,643%, respectivamente.

El uso de la tecnología de juicio inteligente para ayudar en el juicio es una tendencia inevitable en el desarrollo del juicio en los casos legales sociales contemporáneos. El uso de la tecnología de big data e inteligencia artificial para determinar con precisión las múltiples acusaciones involucradas en los casos legales es un problema urgente a resolver en el juicio legal. La clave para resolver estos problemas radica en dos puntos, a saber, (1) la caracterización de los casos legales y (2) la clasificación y predicción de los datos de los casos legales. Los métodos tradicionales de caracterización de entidades se basan en la extracción de rasgos, que a menudo se basan en información de vocabulario y sintaxis. Por lo tanto, la caracterización tradicional de entidades suele requerir mucha energía y tiene poca generalidad, lo que introduce una gran cantidad de cálculos y una limitación a los algoritmos de clasificación posteriores. Este estudio propone un enfoque de juicio inteligente denominado RnRTD, que se basa en la red neuronal recurrente impulsada por relaciones (rdRNN) y la descomposición tensorial restringida (RTD). Representamos los casos legales como tensores y proponemos un método innovador de RTD. La RTD tiene una baja dependencia del vocabulario y la sintaxis y extrae la estructura de características más favorable para mejorar la precisión del algoritmo de clasificación posterior. RTD mapea los tensores, que representan casos legales, en un espacio de características específico y transforma el tensor original en un tensor central y sus correspondientes matrices de factores. Este estudio utiliza rdRNN para actualizar y optimizar continuamente las restricciones en RTD de modo que rdRNN pueda tener el mejor efecto de clasificación de casos legales en el espacio de características objetivo generado por RTD. Simultáneamente, rdRNN establece una nueva puerta y una lista de casos similares para representar la interacción entre los casos legales. En comparación con los métodos tradicionales de extracción de características, nuestro método de RTD propuesto es menos costoso y más universal en la caracterización de casos legales. Además, la rdRNN con una capa de RTD tiene un mejor efecto que la red neuronal recurrente (RNN) sólo en la clasificación y predicción de acusaciones múltiples en casos legales. Los experimentos muestran que, en comparación con los enfoques anteriores, nuestro método logra una mayor precisión en la clasificación y predicción de las acusaciones múltiples en los casos legales, y nuestro algoritmo es más interpretable.

Las tecnologías del habla se han desarrollado durante décadas como un área típica de procesamiento de señales, mientras que la última década ha traído un enorme progreso basado en nuevos paradigmas de aprendizaje automático. Debido no sólo a su complejidad intrínseca, sino también a su relación con las ciencias cognitivas, las tecnologías del habla se consideran ahora un ejemplo de área de conocimiento interdisciplinar. Este artículo de revisión sobre el análisis y el procesamiento de la señal del habla, los correspondientes algoritmos de aprendizaje automático y la inteligencia computacional aplicada pretende ofrecer una visión de varios campos, que abarcan la producción del habla y la percepción auditiva, los aspectos cognitivos de la comunicación del habla y la comprensión del lenguaje, tanto el reconocimiento del habla como la síntesis de texto a voz con más detalle, y, por consiguiente, las principales direcciones en el desarrollo de los sistemas de diálogo hablado. Además, el artículo analiza los conceptos y los avances recientes en la compresión, codificación y transmisión de la señal del habla, incluida la codificación cognitiva del habla. Para concluir, la intención principal de este artículo es destacar los logros y retos recientes basados en los nuevos paradigmas de aprendizaje automático que, en la última década, han tenido un inmenso impacto en el campo del procesamiento de la señal del habla.

La predicción de series temporales en línea es el método principal en una amplia gama de campos, que van desde el análisis del habla y la cancelación del ruido hasta el análisis del mercado de valores. Sin embargo, los datos suelen contener muchos valores atípicos con el aumento de la longitud de las series temporales en el mundo real. Estos valores atípicos pueden inducir a error al modelo aprendido si se tratan como puntos normales en el proceso de predicción. Para abordar este problema, en este trabajo proponemos un método de aprendizaje de gradiente en línea robusto y adaptativo, RoAdam (Robust Adam), para la memoria a corto plazo (LSTM) para predecir series temporales con valores atípicos. Este método ajusta la tasa de aprendizaje del algoritmo de gradiente estocástico de forma adaptativa en el proceso de predicción, lo que reduce el efecto adverso de los valores atípicos. Sigue el error de predicción relativo de la función de pérdida con una media ponderada mediante la modificación de Adam, un popular algoritmo del método de gradiente estocástico para el entrenamiento de redes neuronales profundas. En nuestro algoritmo, el valor grande del error relativo de predicción corresponde a una tasa de aprendizaje pequeña, y viceversa. Los experimentos realizados tanto con datos sintéticos como con series temporales reales muestran que nuestro método consigue un mejor rendimiento en comparación con los métodos existentes basados en LSTM.

Dado que se sabe que la disparidad cruzada excesiva causa incomodidad visual, este estudio pretende establecer un modelo de clasificación para discriminar la disparidad cruzada excesiva en la visualización estereoscópica en combinación con la evaluación subjetiva de la incomodidad visual. Se construyó un sistema experimental de potenciales evocados estereoscópicos (PEV) para obtener los PEV evocados por estímulos estereoscópicos con diferentes disparidades. Diez voluntarios participaron en este experimento, y se extrajeron cuarenta conjuntos de datos de PEV en total cuando los espectadores se encontraban en condiciones de visión cómodas. Se eligieron seis características de los PEV de tres electrodos en el lóbulo occipital, y la clasificación se estableció utilizando el discriminante lineal de Fisher (FLD). Basándose en los resultados del FLD, la tasa de aciertos para determinar la disparidad cruzada excesiva fue del 70%, y alcanzó el 80o en otros estímulos. El estudio demostró que el modelo de clasificación discriminante es rentable para distinguir el estímulo con disparidad cruzada excesiva que se inclina a causar molestias visuales.

Rotation Forest es un enfoque de aprendizaje de conjunto que logra un mejor rendimiento en comparación con Bagging y Boosting a través de la construcción de clasificadores precisos y diversos utilizando el espacio de características rotadas. Sin embargo, al igual que otros clasificadores convencionales, el Rotation Forest no funciona bien en los datos desequilibrados que se caracterizan por tener muchos menos ejemplos de una clase (clase minoritaria) que de la otra (clase mayoritaria), y el coste de clasificar erróneamente los ejemplos de la clase minoritaria suele ser mucho más caro que los casos contrarios. Este trabajo propone un método novedoso denominado Embedding Undersampling Rotation Forest (EURF) para tratar este problema (1) muestreando subconjuntos de la clase mayoritaria y aprendiendo una matriz de proyección a partir de cada subconjunto y (2) obteniendo conjuntos de entrenamiento proyectando subconjuntos remuestreados del conjunto de datos original a nuevos espacios definidos por las matrices y construyendo un clasificador individual a partir de cada conjunto de entrenamiento. En el primer método, el submuestreo sirve para forzar a la matriz de rotación a capturar mejor las características de la clase minoritaria sin perjudicar la diversidad entre los clasificadores individuales. En cuanto al segundo método, la técnica de submuestreo pretende mejorar el rendimiento de los clasificadores individuales en la clase minoritaria. Los resultados experimentales muestran que EURF consigue un rendimiento significativamente mejor en comparación con otros métodos del estado de la técnica.

Este estudio propone un sistema de asistencia domiciliaria (HCS) basado en una interfaz cerebro-ordenador (BCI) con un smartphone. El HCS proporciona ayuda diaria a las personas con discapacidades motoras cuando un cuidador no está presente. El objetivo del estudio es doble: (1) desarrollar un sistema de atención domiciliaria basado en la BCI para ayudar a los usuarios finales a controlar sus electrodomésticos, y (2) evaluar si la arquitectura del HCS es fácil de usar para las personas con discapacidad motriz. Se utiliza una cinta de movimiento para evocar potenciales relacionados con eventos (ERPs) en el cerebro del usuario, y el sistema procesa inmediatamente estos potenciales para decodificar las intenciones del usuario. A continuación, el sistema traduce estas intenciones en comandos de aplicación y los envía por Bluetooth al smartphone del usuario para que realice una llamada de emergencia o ejecute la aplicación correspondiente para emitir una señal de infrarrojos (IR) para controlar un electrodoméstico. En el experimento participaron quince sujetos sanos y siete con discapacidades motrices (incluido el que padecía ELA). La precisión media en línea fue del 81,8y 78,1%, respectivamente. El uso del componente N2P3 para discriminar los objetivos de los no objetivos puede aumentar la eficacia del sistema. Los resultados mostraron que el sistema permite a los usuarios finales utilizar las aplicaciones de los teléfonos inteligentes siempre y cuando utilicen sus ondas cerebrales. Y lo que es más importante, sólo se necesita un electrodo O1 para medir las señales de EEG, lo que confiere al sistema una buena usabilidad práctica. De este modo, el HCS puede mejorar la autonomía y la autoconfianza de sus usuarios finales.

Se presenta el diseño y la aplicación de Serious Games (SG) basados en el sensor Leap Motion como herramienta de apoyo a las terapias de rehabilitación de los miembros superiores. Inicialmente, se describen los principios de diseño y su aplicación, centrándose en la mejora de la destreza manual y la coordinación tanto unilateral como bilateral. El diseño de los juegos ha sido supervisado por terapeutas especializados. Para evaluar la eficacia terapéutica del sistema propuesto, se ha definido un protocolo de ensayos con pacientes de Parkinson. Las evaluaciones del estado físico de los participantes en el estudio, al principio y al final del tratamiento, se realizan mediante pruebas estándar. Las mediciones específicas de cada juego proporcionan al terapeuta una información más detallada sobre la evolución de los pacientes tras finalizar el protocolo previsto. Los resultados obtenidos avalan que el conjunto de videojuegos desarrollados puede combinarse para definir diferentes protocolos de terapia y que la información obtenida es más rica que la obtenida a través de las métricas clínicas actuales, sirviendo como método de evaluación de la función motora.

La producción mundial de harina de pescado se utiliza para la alimentación animal, y la proteína es el principal componente que proporciona nutrición a los animales. Con el fin de supervisar y controlar el suministro de nutrición a la ganadería, se utilizó la tecnología del infrarrojo cercano (NIR) para la detección rápida del contenido de proteínas en las muestras de harina de pescado. El objetivo de la calibración cuantitativa NIR es mejorar la capacidad de predicción del modelo, donde el estudio de los algoritmos quimiométricos es inevitablemente a la demanda. En este trabajo, se construyó un novedoso marco de optimización de GSMW-LPC-GA para la calibración NIR. En el marco, se seleccionaron algunas bandas de onda NIR informativas mediante la estrategia de ventana móvil de búsqueda en cuadrícula (GSMW), y luego las variables/longitudes de onda en la banda de onda se transformaron en componentes principales latentes (LPCs) como las entradas para la optimización del algoritmo genético (GA). El AG opera en iteraciones como implementación para la optimización secundaria de las bandas de onda NIR. En los pasos de la evolución de la población de la variable, se investigó el modo de escalamiento paramétrico para la determinación óptima de la probabilidad de cruce y el operador de mutación. Con el marco GSMW-LPC-GA, el efecto de predicción NIR sobre la proteína de la harina de pescado fue experimentalmente mejor que el efecto adoptando simplemente el modelo de calibración de ventana móvil. Los resultados demuestran que el marco propuesto es adecuado para la determinación cuantitativa NIR de la proteína de la harina de pescado. Finalmente, se consideró que el AG es un método implementable que proporciona una estrategia eficiente para mejorar el rendimiento de los modelos de calibración NIR. Se espera que el marco proporcione una estrategia eficiente para analizar algunos cambios desconocidos y la influencia de varios fertilizantes.

Las variaciones del ritmo alfa tienen un papel importante en la percepción y la atención. Recientemente, la disminución de alfa se ha asociado con la atención dirigida externamente, especialmente en el dominio visual, mientras que el aumento de alfa se ha relacionado con el procesamiento interno, como la aritmética mental. Sin embargo, el papel de las oscilaciones alfa y el modo en que los diferentes componentes de una tarea (procesamiento de estímulos externos, manipulación/representación interna y demanda de la tarea) interactúan para afectar a la potencia alfa aún no están claros. Aquí, investigamos cómo la potencia alfa es modulada de forma diferente por las tareas atencionales dependiendo tanto de la dificultad de la tarea (tarea menos/más exigente) como de la dirección de la atención (interna/externa). Para ello, diseñamos dos experimentos que manipulaban de forma diferente estos aspectos. El Experimento 1, fuera de la Realidad Virtual (RV), incluía dos tareas que requerían tanto componentes atencionales internos como externos (ingesta de elementos visuales para su manipulación interna) pero con diferentes demandas de la tarea interna (aritmética vs. lectura). El Experimento 2 aprovechó la RV (imitando el interior de la cabina de un avión) para manipular la dirección de la atención: incluyó una condición de inmersión en la RV únicamente, caracterizada por la atención visual externa, y una condición de una tarea aritmética puramente mental durante la inmersión en la RV, que requería la desatención de los estímulos sensoriales. Los resultados muestran que: (1) En consonancia con estudios anteriores, la atención visual externa causó una disminución significativa de alfa, especialmente en las regiones parieto-occipitales; (2) La disminución de alfa fue significativamente mayor durante la tarea aritmética más exigente, cuando la tarea fue impulsada por estímulos visuales externos; (3) El alfa aumentó dramáticamente durante la tarea puramente mental en inmersión en RV, por lo que los estímulos externos no tenían relación con la tarea. Nuestros resultados sugieren que la potencia alfa es crucial para aislar a un sujeto del entorno y trasladar la atención de las señales externas a las internas. Además, destacan que el uso emergente de la RV asociado al EEG puede tener importantes implicaciones para estudiar los ritmos cerebrales y apoyar el diseño de sistemas artificiales.