Carlos Ferrin-Bolaños

Diseñar una Interfaz Humano Computador (IHC) es un proceso complejo, su desempeño depende de las necesidades particulares de cada persona. Qué tipo de características debe contener, cuáles son las condiciones neurofisiológicas y cómo es el contexto del individuo, son elementos esenciales para un buen diseño. La literatura ha detectado un sinnúmero de diseños de IHC orientados a personas con limitaciones motrices que no cuentan con los conceptos de usabilidad en toda su amplitud, ni las diferentes pruebas que permitan la evaluación de estos diseños en una forma rigurosa y estandarizada.

With the growth of capabilities of and accessibility to cloud computing platforms, few research fields based on computer science have benefited as these capabilities allow many more researchers to implement their algorithmic proposals all around the world; this is particularly true for neuroscience and neurotechnology where the research field of neurosignal classification has experienced a considerable increase in scientific publications thanks to this rise in cloud computing. Nonetheless, this new framework does not always result in a satisfactory experience and, in many cases, the learning curve may be very slow even when the right tools are used. Therefore, this paper aims to introduce new researchers in neuroscience and neurotechnology by implementing and assessing classical and modern machine learning techniques for neurosignal classification using Google Colaboratory. Firstly, the basic operation of the Colaboratory platform is described, as well as the most appropriate open source Python libraries for neurosignal research. Then four (two classic and two modern) neurosignal classification techniques are described and carefully cited, and finally, by editing a Python Notebook (created on Google Colaboratory). Finally, we implement and assess performance on a public dataset. In the following, we show results on the classification of electroencephalographic signals associated to motor imagery of the right hand and feet in fourteen experimental subjects.

El trabajo describe una interfaz que permite la interacción entre una persona con limitaciones motrices y la aplicación WhatsApp Desktop mediante comandos de voz. Abstract The article describes an interface that allows interaction between a person with motor limitations and the WhatsApp Desktop application through voice commands.

En el caso de personas con limitación motriz de miembros superiores, los gestos faciales son la principal forma de comunicarse con el mundo. Sin embargo, las interfaces actuales basadas en gestos no tienen en cuenta la reducción de movilidad que la mayoría de las personas con limitación motriz experimentan durante sus periodos de recuperación. Como alternativa para superar esta limitación, se presenta una interfaz humana-computador basada en técnicas de visión por computador sobre dos tipos de imagen: la imagen del rostro capturada mediante webcam y la captura de pantalla de una aplicación de escritorio en primer plano. La primera imagen es utilizada para detectar, seguir y estimar la pose del rostro con el fin de desplazar y ejecutar comandos con el cursor; la segunda imagen es utilizada para lograr que los desplazamientos del cursor sean realizados a zonas específicas de interacción de la aplicación de escritorio. La interfaz es programada totalmente en Python 3.6 utilizando bibliotecas de código abierto y se ejecuta en segundo plano dentro del sistema operativo Windows. El desempeño de la interfaz se evalúa con videos de personas utilizando cuatro comandos de interacción con la aplicación WhatsApp versión de escritorio. Se encontró que la interfaz puede operar con varios tipos de iluminación, fondos, distancias a la cámara, posturas y velocidades de movimiento; la ubicación y el tamaño de la ventana de WhatsApp no afecta la efectividad de la interfaz. La interfaz opera a una velocidad de 1 Hz y utiliza el 35 % de la capacidad de un procesador Intel Core i5 y 1,5 GB de RAM para su ejecución lo que permite concebir esta solución en equipos de cómputo personales.

Las interfaces cerebro-computadora no invasivas basadas en EEG de imaginación motora (miBCI) prometen restaurar efectivamente el control motor a pacientes con discapacidades motoras, por ejemplo, aquellos con lesión de la médula espinal (LME). Sin embargo, todavía es necesario investigar las miBCI, con fines de rehabilitación, para este tipo de pacientes que utilizan dispositivos de adquisición de señales EEG de bajo costo, tales como Emotiv EPOC. En este trabajo, se describe en detalle y se comparan diez arquitecturas miBCI basadas en información de covarianza de señales EEG, adquiridas con Emotiv EPOC, para la decodificación de intención de mano abierta y cerrada en tres sujetos control y dos pacientes con LME cervical. Cuatro de estas diez miBCI usan información de covarianza para construir filtros espaciales y el resto usa la información covarianza como una representación directa de las señales EEG, permitiendo la manipulación directa mediante geometría de Riemann. Como resultado, se encontró que, a pesar de que todas las arquitecturas miBCI tienen una precisión general por encima del nivel de azar, las que utilizan la covarianza como representación directa de las señales EEG junto con clasificadores lineales, superan las miBCI que usan la covarianza para el filtrado espacial, tanto en sujetos de control como en pacientes con LME. Estos resultados sugieren un alto potencial de las miBCI basadas en la geometría de Riemann para la rehabilitación de pacientes con LME, utilizando dispositivos de adquisición de EEG de bajo costo.

Bacterial infections are a major global concern, since they can lead to public health problems. To address this issue, bioinformatics contributes extensively with the analysis and interpretation of in silico data by enabling to genetically characterize different individuals/strains, such as in bacteria. However, the growing volume of metagenomic data requires new infrastructure, technologies, and methodologies that support the analysis and prediction of this information from a clinical point of view, as intended in this work. On the other hand, distributed computational environments allow the management of these large volumes of data, due to significant advances in processing architectures, such as multicore CPU (Central Process Unit) and GPGPU (General Propose Graphics Process Unit). For this purpose, we developed a bioinformatics workflow based on filtered metagenomic data with Duk tool. Data formatting was done through Emboss software and a prototype of a workflow. A pipeline was also designed and implemented in bash script based on machine learning. Further, Python 3 programming language was used to normalize the training data of the artificial neural network, which was implemented in the TensorFlow framework, and its behavior was visualized in TensorBoard. Finally, the values from the initial bioinformatics process and the data generated during the parameterization and optimization of the Artificial Neural Network are presented and validated based on the most optimal result for the identification of the CTX-M gene group.

En este trabajo se propone una metodología de visión por computador para detectar accesorios internos en tiempo real y dictaminar su correcto ensamblado dentro de los refrigeradores. Las devoluciones de refrigeradores por fallas estéticas son de los mayores problemas que enfrenta la industria de manufactura de línea blanca. Esto se debe principalmente a que la evaluación estética es un proceso subjetivo que depende de las capacidades visuales y cognitivas de un inspector de calidad. La metodología consta de un bloque de adquisición de múltiples vistas utilizando sensores RGB-D-NIR, de algoritmos de segmentación, seguimiento, detección de regiones de interés y dictamen basado en puntos característicos. Los resultados obtenidos permiten concluir que el método propuesto presenta buen desempeño y rapidez, no introduce cadencia a la línea de producción y permite que las técnicas de dictamen puedan ser mejorados para lograr la automatización completa de la inspección visual de los accesorios.