Background: Post-stroke fatigue (PSF) is one of the most challenging clinical consequences to manage after stroke as no effective treatment has been developed. However, the mechanisms of PSF remain unclear. Aims: This study aimed to replicate Vecchio et al (2017) using resting-state EEG in stroke patients suffering from varying degrees of fatigue to describe the functional organisation within sensory and motor networks. Methods: Resting-state eyes-open EEG was recorded in 22 strokesurvivors. Upper limb functional tests (grip strength, Nine Hole Peg Test), symbol digit modalities test (SDTM), anxiety and depression scale (HADS), Fatigue Severity Scale (FSS-7), state fatigue, and Neurological Fatigue Index (NFI-stroke) were measured. Graph theory was used to calculate the small-world (SW) index. SW was calculated in four separate networks, motor and sensory within the left and right hemispheres. Exact low-resolution brain electromagnetic tomography (eLORETA) was applied using seven frequency bands (delta, theta, alpha1, alpha2, beta1, beta2, and gamma). Results: Correlation analysis demonstrated a positive association between SW in the right motor network in beta2 band and higher FSS-7 score and a negative correlation between SW in the left sensory network in alpha1 and higher state fatigue. Conclusion: Beta oscillations have been associated with top-down processes which are crucial for perceptual inference and alpha oscillations are involved in sensorimotor information processing. The interaction between the top-down and bottom-up processes, and perceived error explains the sensory attenuation model of fatigue. Our results were consistent this model of fatigue as stroke survivors had difficulty in attenuating the sensory input leading to higher perceived effort.

Abstract: The Fourth Industrial Revolution has increased data exchange among organizations, creating security and privacy concerns. Federated Learning (FL) has emerged as a popular approach to address these challenges by enabling privacy-preserving machine learning (ML) on sensitive data. FL is an ML approach where models are trained locally on decentralized data, allowing organizations to collaborate and learn from each other’s data without sharing it, thereby ensuring data privacy and security. This thesis explores the application of FL for arrhythmia classification based on 12-lead ECGs while preserving medical records privacy. The performance of the FL models is evaluated under different degrees of heterogeneity in client labels, so-called Independent and Identically distributed or IID. The methodology involves a global server coordinating local modules and a four-step processing pipeline, where the local models’ weights are aggregated at the global server, and the resulting model is sent back to the clients (hospitals). The study achieves competitive classification performance for IID and non-IID data, along with a 28% reduction in training time compared to state-of-the-art methods. The findings have implications for privacy-preserving ML and early detection and diagnosis of cardiac diseases. Finally, the thesis demonstrates the FL’s effectiveness for accurate arrhythmia classification while preserving medical records’ privacy, making it a valuable tool in healthcare applications and contributing to advancing the Data Science field. Resumen: La Cuarta Revolución Industrial ha aumentado el intercambio de datos entre organizaciones, generando preocupaciones en cuanto a seguridad y privacidad. El Aprendizaje Federado (AF) ha surgido como un enfoque popular para abordar estos desafíos al permitir el aprendizaje automático (AA) preservando la privacidad en datos sensibles. El AF es un enfoque de AA en el que los modelos se entrenan localmente en datos descentralizados, lo que permite a las organizaciones colaborar y aprender de los datos de los demás sin compartirlos, garantizando así la privacidad y seguridad de los datos. Esta tesis explora la aplicación del AF para la clasificación de arritmias basada en electrocardiogramas (ECG) de 12 derivaciones, preservando al mismo tiempo la privacidad de los registros médicos. El rendimiento de los modelos de AF se evalúa bajo diferentes grados de heterogeneidad en las etiquetas de los clientes, conocido como Independiente e Idénticamente Distribuido o IID. La metodología implica un servidor global que coordina módulos locales y un proceso de cuatro pasos, donde los pesos de los modelos locales se agregan en el servidor global, y el modelo resultante se envía de vuelta a los clientes (hospitales). El estudio logra un rendimiento de clasificación competitivo para datos IID y no IID, junto con una reducción del 28% en el tiempo de entrenamiento en comparación con los métodos más avanzados. Los hallazgos tienen implicaciones para el AA preservando la privacidad y la detección temprana y diagnóstico de enfermedades cardíacas. Finalmente, la tesis demuestra la eficacia del AF para una clasificación precisa de arritmias preservando la privacidad de los registros médicos, convirtiéndolo en una herramienta valiosa en aplicaciones de atención médica y contribuyendo al avance del campo de la Ciencia de Datos.

Resumen: El estudio resalta la oportunidad para fortalecer la biodiversidad, especialmente a través de la enseñanza de las ciencias ambientales y biociencias con un impacto esperado en el aumento en los niveles de alfabetización científica y su relación bidireccional con la educación y la cultura ambiental en la sociedad colombiana, con foco de estudio e impacto en la población estudiantil de ciencias naturales, biología y educación ambiental en los tres niveles educativos, así como la comunidad académica de las áreas de bioeconomía, ecosistemas naturales y territorios sostenibles. Se realizó una revisión y selección de la literatura científica bajo criterios de inclusión y exclusión como el año de publicación, los idiomas, los países de publicación y/o ejecución del estudio y las bases de datos utilizadas. Así, se tuvieron en cuenta autores que publicaran trabajos de investigación cualitativa y cuantitativa tanto aplicada como no aplicada tales como Boff, Caamaño, Calixto Flores, García & Rodríguez, González González y López & Sánchez. Se encontraron numerosas tendencias, tensiones y limitaciones en la integración de los conceptos de educación ambiental, biodiversidad y alfabetización científica, que se presentan como desafíos en el qué, el para qué y la estructura de la educación ambiental; las definiciones y la enseñanza en la alfabetización científica y la complejidad y relevancia en la comprensión de la biodiversidad. Se hallaron herramientas y conceptualizaciones con un impacto positivo para la conservación de los ecosistemas naturales estratégicos del país como la transversalización de la educación ambiental en el currículo; y el uso sostenible de los recursos por parte de las comunidades y la resignificación y apropiación del ambiente dentro de la cultura de las regiones como las necesidades ambientales contextuales de las poblaciones alfabetizadas. Se resalta el abordaje amplio y complejo de la biodiversidad dentro de un planteamiento nuevo hacia una pedagogía ambiental.

Abstract: With growing traffic demands and structural degradation accelerated by climate change, there is a critical need for continued advancement of concrete repair and strengthening technologies to enable extended bridge service life. Specifically, transitioning to cost-effective reinforced concrete (RC) retrofit strategies that further enhance durability under service loading conditions and minimize damage development under extreme hazard conditions, which are more probable to occur in longer-lasting concrete structures, are key elements of next-generation concrete bridges. This thesis explores the use of iron-based shape memory alloys (Fe-SMAs) as an active shear retrofit strategy for RC components. SMAs are a class of smart materials with the unique property of the shape memory effect, allowing them to fully recover plastic deformations when subsequently heated. By installing prestrained Fe-SMA strips and activating the shape memory effect, an active pressure can be introduced to help close cracks and apply a confining stress in the concrete. The primary objective is to evaluate the performance and practicality of Fe-SMA as an active shear strengthening technique in comparison to traditional methods such as external steel reinforcement and fibre-reinforced polymer (FRP) composites. The experimental phase of this study involved conducting push-off tests on RC specimens retrofitted with pre-deformed Fe-SMA strips. The goal was to assess the efficiency of active shear retrofitting. Additionally, finite element analysis (FEA) simulations were employed to model Fe SMA-retrofitted RC structures and investigate their behaviour under shear loading conditions. Key findings indicate that Fe-SMA retrofits, through transverse prestressing as part of the active retrofit strategy, contributed to notable improvements in the stiffness and strength of damaged RC components. Similar to passive retrofit methods, increased shear capacity was observed with higher levels of transverse reinforcement. Notably, combinations of substantial shear reinforcement ratios and elevated transverse prestressing provided the most significant gains in shear strength. Furthermore, the addition of prestressed Fe-SMA retrofits was found to effectively reduce shear crack widths and mitigate the progression of subsequent shear crack width growth. This study not only demonstrates the potential of Fe-SMA as a promising solution for active shear strengthening but also contributes to the development of future field-scale tests. The presence of Fe-SMA in damaged structures offers the prospect of multiple improvements, marking a significant advancement in the field of shear retrofitting.

Abstract: The use of computer vision, deep learning, and drones has revolutionized agriculture by enabling efficient crop monitoring and disease detection. Still, many challenges need to be overcome due to the vast diversity of plant species and their unique regional characteristics. Olive trees, which have been cultivated for thousands of years, present a particularly complex case for leaf-based disease diagnosis as disease symptoms can vary widely, both between different plant variations and even within individual leaves on the same plant. This complexity, coupled with the susceptibility of olive groves to various pathogens, including bacterial blight, olive knot, aculus olearius, and olive peacock spot, has hindered the development of effective disease detection algorithms. To address this challenge, we have devised a novel approach that combines deep learning techniques, leveraging convolutional neural networks, vision transformers, and cloud computing-based models. Aiming to detect and classify olive tree diseases the experimental results of our study have been highly promising, demonstrating the effectiveness of the combined transformer and cloud-based machine learning models, achieving an impressive accuracy of approximately 99.6% for multiclass classification cases including healthy, aculus olearius, and peacock spot infected leaves. These results highlight the potential of deep learning models in tackling the complex-ities of olive leaf disease detection and the need for further research in the field. Resumen: El uso de visión por computadora, aprendizaje profundo y drones ha revolucionado la agricultura al permitir un monitoreo eficiente de cultivos y la detección de enfermedades. Sin embargo, aún existen muchos desafíos debido a la vasta diversidad de especies vegetales y sus características regionales únicas. Los olivos, que han sido cultivados durante miles de años, presentan un caso especialmente complejo para el diagnóstico de enfermedades basado en las hojas, ya que los síntomas pueden variar ampliamente, tanto entre diferentes variaciones de plantas como incluso dentro de hojas individuales en la misma planta. Esta complejidad, junto con la susceptibilidad de los olivares a varios patógenos, como la bacteriosis, el nudo del olivo, el aculo olearius y la mancha de pavo real del olivo, ha dificultado el desarrollo de algoritmos efectivos de detección de enfermedades. Para abordar este desafío, hemos ideado un enfoque novedoso que combina técnicas de aprendizaje profundo, aprovechando redes neuronales convolucionales, transformadores de visión y modelos basados en computación en la nube. Con el objetivo de detectar y clasificar enfermedades de los olivos, los resultados experimentales de nuestro estudio han sido muy prometedores, demostrando la efectividad de los modelos combinados de transformadores y aprendizaje automático basado en la nube, logrando una impresionante precisión de aproximadamente el 99.6% para casos de clasificación multiclase, que incluyen hojas sanas, infectadas con aculo olearius y mancha de pavo real. Estos resultados destacan el potencial de los modelos de aprendizaje profundo para abordar las complejidades de la detección de enfermedades en las hojas de olivo y la necesidad de más investigaciones en este campo.

Abstract: Artificial Intelligence-based (AI) analysis of large, curated medical datasets is promising for providing early detection, faster diagnosis, and more effective treatment using low-power Electrocardiography (ECG) monitoring devices information. However, accessing sensitive medical data from diverse sources is highly restricted since improper use, unsafe storage, or data leakage could violate a person's privacy. This work uses a Federated Learning (FL) privacy-preserving methodology to train AI models over heterogeneous sets of high-definition ECG from 12-lead sensor arrays collected from six heterogeneous sources. We evaluated the capacity of the resulting models to achieve equivalent performance compared to state-of-the-art models trained in a Centralized Learning (CL) fashion. Moreover, we assessed the performance of our solution over Independent and Identical distributed (IID) and Non-IID federated data. Our methodology involves machine learning techniques based on Deep Neural Networks and Long-Short-Term Memory models. It has a robust data preprocessing pipeline with feature engineering, selection, and data balancing techniques. Our AI models demonstrated comparable performance to models trained using CL, IID, and Non-IID approaches. They showcased advantages in reduced complexity and faster training time, making them well-suited for cloud-edge architectures. Resumen: El análisis basado en Inteligencia Artificial (IA) de grandes conjuntos de datos médicos curados promete proporcionar detección temprana, diagnóstico más rápido y tratamiento más efectivo utilizando información de dispositivos de monitoreo de Electrocardiografía (ECG) de bajo consumo. Sin embargo, el acceso a datos médicos sensibles de diversas fuentes está altamente restringido, ya que el uso indebido, el almacenamiento inseguro o la fuga de datos podrían violar la privacidad de una persona. Este trabajo utiliza una metodología de Aprendizaje Federado (FL) preservadora de la privacidad para entrenar modelos de IA sobre conjuntos heterogéneos de ECG de alta definición provenientes de matrices de sensores de 12 derivaciones recopilados de seis fuentes heterogéneas. Evaluamos la capacidad de los modelos resultantes para lograr un rendimiento equivalente en comparación con modelos de vanguardia entrenados de manera centralizada (CL). Además, evaluamos el rendimiento de nuestra solución sobre datos federados Independientes e Idénticamente Distribuidos (IID) y No IID. Nuestra metodología involucra técnicas de aprendizaje automático basadas en Redes Neuronales Profundas y modelos de Memoria a Corto y Largo Plazo. Cuenta con un sólido pipeline de preprocesamiento de datos con técnicas de ingeniería de características, selección y equilibrio de datos. Nuestros modelos de IA demostraron un rendimiento comparable a los modelos entrenados mediante CL, IID y enfoques No IID. Exhibieron ventajas en términos de complejidad reducida y tiempo de entrenamiento más rápido, haciéndolos adecuados para arquitecturas de nube-edge.

Abstract: This dissertation explores how three applications of AI, namely classifiers, natural language processing and generative AI, have contributed and might contribute to the realisation of Richard Susskind’s predictions for the future of legal practice, as set in his 2023 book ‘Tomorrow’s Lawyers’. Besides reviewing Susskind’s predictions, it proposes a model to describe how lawyers work and uses it to identify existing uses of technology in the legal field. Also, it provides a general and non-technical approach to AI and its history and main features. With this context, it delves into the selected AI applications and explores how they work, their early legal applications, and their challenges. The research’s conclusion highlights the selected AI applications as powerful enablers for Susskind’s predictions. Moreover, how generative AI has the potential to disrupt the market of legal services and outperform lawyers in multiple tasks. A key insight refers to the latent market of underserved individuals, communities, and small and medium enterprises and how it offers an unbeatable opportunity for online-embedded generative AI-based legal services, which would improve access to legal services. Finally, this dissertation suggests an unavoidable shift in the general comprehension of the abbreviations ‘LL.M’ and ‘LLM’ within the legal field.

Abstract: The author sets out a strategy for the sustainable development of a geothermal resource park within the geo-thermoelectric field Domo San Pedro (DSP), Nayarit, Mexico. The DSP project is owned by Grupo Dragón (GD), which it is the first private geothermal project within the country. The resource park is a pioneer initiative for sustainable large-scale geothermal direct-use development in the country. Currently, initiatives toward the development of geothermal direct-use projects, using the excess heat of the electricity generation, are being taken at the location. A fish farming project and a greenhouse are being developed under the Social Responsibility area, and a fruit drying pilot project is taking place in collaboration with the Engineering Institute of the National Autonomous University of Mexico (UNAM). A coordinated long-term value proposal is recommended to achieve resource allocation efficiency and stakeholder engagement through the process. The DSP RP strategy looks for a holistic sustainable, efficient and inclusive way of using the geothermal resource, implicating directuse development, socioeconomic benefits for the local community of San Pedro Lagunillas and an environmental industrial solution for all the parties involved. A symbiotic relationship among parties is proposed, fostering the sustainable development of geothermal low enthalpy projects in Mexico. The author presents a background analysis that will define the DSP Resource Park proposal, as well as a development strategy that will ensure the long-term success of the park. Resumen: La autora plantea una estrategia para el desarrollo sostenible de un parque de recursos geotérmicos dentro del campo geotermoeléctrico Domo San Pedro (DSP), Nayarit, México. El proyecto DSP es propiedad del Grupo Dragón (GD), siendo el primer desarrollo geotérmico privado del país. El parque de recursos es una iniciativa pionera para el desarrollo sostenible de los recursos geotérmicos de uso directo en México. Se han venido desarrollando iniciativas para el desarrollo de proyectos de uso directo geotérmico asociados a la planta, aprovechando el exceso de calor de la generación eléctrica. El departamento de Responsabilidad Social desarrolla un proyecto de piscicultura y un invernadero, así como un proyecto piloto de secado de frutas en colaboración con el Instituto de Ingeniería de la Universidad Nacional Autónoma de México (UNAM). La tesis plantea una propuesta de valor coordinada a largo plazo para lograr la eficiencia en la asignación de recursos y la participación de las partes interesadas a lo largo del proceso de establecimiento del parque de recursos. La estrategia busca una forma holística sostenible, eficiente e inclusiva de utilizar el recurso geotérmico, implicando el desarrollo de usos directos, beneficios socioeconómicos para la comunidad local de San Pedro Lagunillas y una solución ambiental industrial para todas las partes involucradas. Se propone una relación simbiótica entre las partes, fomentando el desarrollo sustentable de proyectos geotérmicos de baja entalpía en México. Así, la autora presenta un análisis de antecedentes que definirá la propuesta del parque de recursos, así como una estrategia de desarrollo que asegurará el éxito a largo plazo de la iniciativa.

Resumen: El artículo presenta las conclusiones de la investigación doctoral en medios, comunicación y cultura, centrándose en la narrativa audiovisual de cuatro cortometrajes producidos por el colectivo de comunicación popular Alharaca por la paz y las acciones de cambio social producto de su movilización, con el fin de conocer cómo desde la comunicación comunitaria, local y participativa producida por niñas, niños y adolescentes de Caquetá, Colombia, se contribuye a la reconstrucción del tejido social en sociedades divididas por el conflicto armado. Abstract: The article presents the conclusions of the doctoral research in media, communication and culture, focusing on the audiovisual narrative of four short films produced by the popular communication collective Alharaca por la paz and the actions of social change resulting from its mobilization, in order to learn how community, local and participatory communication produced by girls, boys and adolescents from Caquetá, Colombia, contributes to the reconstruction of the social fabric in societies divided by the armed conflict.

Resumen: El artículo presenta la relación niñez y participación a la luz de teorías críticas y movimientos populares en Latinoamérica, desde la categoría de coprotagonismo (Liebel, 2019; Ashcroft, 2001; Morales, 2022), como base para la creación de espacios de diálogo intergeneracionales en Colombia, a través de prácticas de comunicación y cambio social como los colectivos de comunicación popular, local y comunitaria. Abstract: The article presents the relationship between childhood and participation in the light of critical theories and popular movements in Latin America, from the category of co-protagonism (Liebel, 2019; Ashcroft, 2001; Morales, 2022), as a basis for the creation of spaces for dialogue. intergenerational in Colombia, through communication and social change practices such as popular, local and community communication collectives.