Search

La Realidad Aumentada es usada en el aprendizaje procedimental por su capacidad de mostrar información registrada en el espacio. Sin embargo, algunos autores argumentan que podría incrementar el esfuerzo mental de los usuarios, al requerir cambios continuos en el enfoque de atención entre el contenido real y el contenido virtual. El objetivo es conocer la presencia de carga cognitiva y esfuerzo mental, cuando se presentan cambios de contexto en el uso de realidad aumentada en tareas de aprendizaje procedimental. Se ejecutó un estudiodescriptivo-inferencialpara evaluar la carga cognitiva subjetiva y el esfuerzo mental, durante actividades de aprendizaje procedimental de anatomía de superficie de la rodilla humana. Se combinaron medidas subjetivas basadas en auto reportes, y medidas objetivas, basadas en pupilometría y rastreo ocular. Se evaluó la actividad de aprendizaje en treinta y cuatro participantes sin experiencia en la actividad. Los resultados generales mostraron que la medida de Carga Cognitiva Subjetiva y las medidas de rastreo ocular, evidencian diferencias significativas entre los tratamientos. Sin embargo, la medida de pupilometría no mostró diferencias., La Realidad Aumentada es usada en el aprendizaje procedimental por su capacidad de mostrar información registrada en el espacio. Sin embargo, algunos autores argumentan que podría incrementar el esfuerzo mental de los usuarios, al requerir cambios continuos en el enfoque de atención entre el contenido real y el contenido virtual. El objetivo es conocer la presencia de carga cognitiva y esfuerzo mental, cuando se presentan cambios de contexto en el uso de realidad aumentada en tareas de aprendizaje procedimental. Se ejecutó un estudiodescriptivo-inferencialpara evaluar la carga cognitiva subjetiva y el esfuerzo mental, durante actividades de aprendizaje procedimental de anatomía de superficie de la rodilla humana. Se combinaron medidas subjetivas basadas en auto reportes, y medidas objetivas, basadas en pupilometría y rastreo ocular. Se evaluó la actividad de aprendizaje en treinta y cuatro participantes sin experiencia en la actividad. Los resultados generales mostraron que la medida de Carga Cognitiva Subjetiva y las medidas de rastreo ocular, evidencian diferencias significativas entre los tratamientos. Sin embargo, la medida de pupilometría no mostró diferencias

La Realidad Aumentada es usada en el aprendizaje procedimental por su capacidad de mostrar información registrada en el espacio. Sin embargo, algunos autores argumentan que podría incrementar el esfuerzo mental de los usuarios, al requerir cambios continuos en el enfoque de atención entre el contenido real y el contenido virtual. El objetivo es conocer la presencia de carga cognitiva y esfuerzo mental, cuando se presentan cambios de contexto en el uso de realidad aumentada en tareas de aprendizaje procedimental. Se ejecutó un estudiodescriptivo-inferencialpara evaluar la carga cognitiva subjetiva y el esfuerzo mental, durante actividades de aprendizaje procedimental de anatomía de superficie de la rodilla humana. Se combinaron medidas subjetivas basadas en auto reportes, y medidas objetivas, basadas en pupilometría y rastreo ocular. Se evaluó la actividad de aprendizaje en treinta y cuatro participantes sin experiencia en la actividad. Los resultados generales mostraron que la medida de Carga Cognitiva Subjetiva y las medidas de rastreo ocular, evidencian diferencias significativas entre los tratamientos. Sin embargo, la medida de pupilometría no mostró diferencias., La Realidad Aumentada es usada en el aprendizaje procedimental por su capacidad de mostrar información registrada en el espacio. Sin embargo, algunos autores argumentan que podría incrementar el esfuerzo mental de los usuarios, al requerir cambios continuos en el enfoque de atención entre el contenido real y el contenido virtual. El objetivo es conocer la presencia de carga cognitiva y esfuerzo mental, cuando se presentan cambios de contexto en el uso de realidad aumentada en tareas de aprendizaje procedimental. Se ejecutó un estudiodescriptivo-inferencialpara evaluar la carga cognitiva subjetiva y el esfuerzo mental, durante actividades de aprendizaje procedimental de anatomía de superficie de la rodilla humana. Se combinaron medidas subjetivas basadas en auto reportes, y medidas objetivas, basadas en pupilometría y rastreo ocular. Se evaluó la actividad de aprendizaje en treinta y cuatro participantes sin experiencia en la actividad. Los resultados generales mostraron que la medida de Carga Cognitiva Subjetiva y las medidas de rastreo ocular, evidencian diferencias significativas entre los tratamientos. Sin embargo, la medida de pupilometría no mostró diferencias

We present a new approach to robot hand design specifically suited for successfully implementing robot learning methods to accomplish tasks in daily human environments. We introduce BaRiFlex, an innovative gripper design that alleviates the issues caused by unexpected contact and collisions during robot learning, offering robustness, grasping versatility, task versatility, and simplicity to the learning processes. This achievement is enabled by the incorporation of low-inertia actuators, providing high Back-drivability, and the strategic combination of Rigid and Flexible materials which enhances versatility and the gripper's resilience against unpredicted collisions. Furthermore, the integration of flexible Fin-Ray linkages and rigid linkages allows the gripper to execute compliant grasping and precise pinching. We conducted rigorous performance tests to characterize the novel gripper's compliance, durability, grasping and task versatility, and precision. We also integrated the BaRiFlex with a 7 Degree of Freedom (DoF) Franka Emika's Panda robotic arm to evaluate its capacity to support a trial-and-error (reinforcement learning) training procedure. The results of our experimental study are then compared to those obtained using the original rigid Franka Hand and a reference Fin-Ray soft gripper, demonstrating the superior capabilities and advantages of our developed gripper system., Comment: 8 pages, 6 figures, project website: https://robin-lab.cs.utexas.edu/bariflex

Introduction: The coronavirus disease 2019 (COVID-19) has become a significant public health problem worldwide. In this context, CT-scan automatic analysis has emerged as a COVID-19 complementary diagnosis tool allowing for radiological finding characterization, patient categorization, and disease follow-up. However, this analysis depends on the radiologist’s expertise, which may result in subjective evaluations.Objective: To explore deep learning representations, trained from thoracic CT-slices, to automatically distinguish COVID-19 disease from control samples.Materials and methods: Two datasets were used: SARS-CoV-2 CT Scan (Set-1) and FOSCAL clinic’s dataset (Set-2). The deep representations took advantage of supervised learning models previously trained on the natural image domain, which were adjusted following a transfer learning scheme. The deep classification was carried out: (a) via an end-to-end deep learning approach and (b) via random forest and support vector machine classifiers by feeding the deep representation embedding vectors into these classifiers.Results: The end-to-end classification achieved an average accuracy of 92.33% (89.70% precision) for Set-1 and 96.99% (96.62% precision) for Set-2. The deep feature embedding with a support vector machine achieved an average accuracy of 91.40% (95.77% precision) and 96.00% (94.74% precision) for Set-1 and Set-2, respectively.Conclusion: Deep representations have achieved outstanding performance in the identification of COVID-19 cases on CT scans demonstrating good characterization of the COVID-19 radiological patterns. These representations could potentially support the COVID-19 diagnosis in clinical settings., Introducción. La enfermedad por coronavirus (COVID-19) es actualmente el principal problema de salud pública en el mundo. En este contexto, el análisis automático de tomografías computarizadas (TC) surge como una herramienta diagnóstica complementaria que permite caracterizar hallazgos radiológicos, y categorizar y hacer el seguimiento de pacientes con COVID-19. Sin embargo, este análisis depende de la experiencia de los radiólogos, por lo que las valoraciones pueden ser subjetivas.Objetivo. Explorar representaciones de aprendizaje profundo entrenadas con cortes de TC torácica para diferenciar automáticamente entre los casos de COVID-19 y personas no infectadas.Materiales y métodos. Se usaron dos conjuntos de datos de TC: de SARS-CoV-2 CT (conjunto 1) y de la clínica FOSCAL (conjunto 2). Los modelos de aprendizaje supervisados y previamente entrenados en imágenes naturales, se ajustaron usando aprendizaje por transferencia. La clasificación se llevó a cabo mediante aprendizaje de extremo a extremo y clasificadores tales como los árboles de decisiones y las máquinas de soporte vectorial, alimentados por la representación profunda previamente aprendida.Resultados. El enfoque de extremo a extremo alcanzó una exactitud promedio de 92,33 % (89,70 % de precisión) para el conjunto 1 y de 96,99 % (96,62 % de precisión) para el conjunto-2. La máquina de soporte vectorial alcanzó una exactitud promedio de 91,40 % (precisión del 95,77 %) para el conjunto-1 y del 96,00 % (precisión del 94,74 %) para el conjunto 2. Conclusión. Las representaciones profundas lograron resultados sobresalientes al caracterizar patrones radiológicos usados en la detección de casos de COVID-19 a partir de estudios de TC y demostraron ser una potencial herramienta de apoyo del diagnóstico.

The globalization of trade and the organization of work are currently causing a large migratory flow towards the cities. This growth of cities requires new urban planning where digital tools take a preponderant place to capture data and understand and decide in face of changes. These tools however hardly resist to natural disasters, terrorism, accidents, etc. Based on the expertise of the CITI laboratory of INSA Lyon and SC3 of the Industrial University of Santander, we propose to create the ALERT project - Autonomous Liable Emergency service in Real Time - with decentralized, reliable and efficient services, physically close to the citizens, taking decisions locally, in a relevant manner without risk of disconnection with a central authority. These information gathering and decision-making will involve the population with participatory and social approaches., Comment: in French. Colloque international interdisciplinaire Colombie -- France " La Ville-R\'egion durable comme projet: d\'efis actuels. Regards crois\'es et perspectives ", Mar 2017, Bogota, Colombie

Fecha en cub orig.: 1889, Data na capa orix.: 1889

Precede o tít.: Ensayo de economía política exterior

Port. con grav

Texto en latín con notas en castelán